Introduzione
Intelligenza Artificiale e trading sono due mondi che sono sempre più interconnessi, visti i benefici enormi che la prima ha apportato sull’elaborazione di grandi set di dati sul quale a loro volta le strategie di trading fanno affidamento per ottenere un vantaggio statistico. Dalle piattaforme di Social Media alla nostra autovettura, dal telefonino ai bot di trading che facciamo girare sui nostri computer, tutti questi prodotti tecnologici si basano su algoritmi più o meno intelligenti. In realtà questi algoritmi non sono affatto intelligenti nel senso più ampio della parola, ma grazie alle enormi capacità di computazione raggiunte dagli attuali computer, l’intelligenza artificiale si contraddistingue per la capacità di elaborare quantità colossali di dati in sempre più breve tempo.
Come viene sfruttata l’Intelligenza Artificiale nel mondo del trading
L’intelligenza artificiale trova una delle sue più proficue applicazioni nel trading. La grossa quantità di asset da analizzare, a cui si collegano molteplici dati sia di natura fondamentale che di analisi tecnica, rende impossibile all’uomo elaborare dati in brevissimo termine (per esempio per attività di scalping). Qui che entrano in gioco i trading system dotati di intelligenza artificiale, ovvero dei programmi che scansionano quantità enormi di dati e che, al verificarsi di determinate condizioni, aprono, chiudono o gestiscono le operazioni di investimento. Abbiamo già analizzato come i grandi Hedge Fund utilizzano l’A.I. per le loro operazioni di trading (leggi Investire con l’Intelligenza Artificiale). Ora analizziamo come questi programmi possono aiutare i trader nel processo discrezionale del trading , oppure per delegare in toto la gestione di un determinato capitale.
Tipologie di Intelligenza Artificiale: Machine Learning vs Deep Learning
Due sottobranche dell’intelligenza artificiale sono il Machine Learning e il Deep Learning. Spesso vengono usati come sinonimi anche se, concettualmente, sono completamente diversi. Il Machine Learning cerca di creare degli algoritmi, con livello di astrazione superiore, che aiutino la macchina ad apprendere come gestire variazioni di dati non classificati nella struttura base dell’algoritmo stesso. Il Deep Learning, invece, si compone di più algoritmi con diversi livelli di astrazione. Ogni algoritmo usa, come dati da elaborare, le informazioni fornite dall’algoritmo con un livello di astrazione più alto.
Machine Learning: applicazione pratica dell’Intelligenza Artificiale al trading
Quando strutturiamo il nostro algoritmo sulla base di dati passati, l’algoritmo associerà ad una combinazione di dati un particolare esito. Tuttavia dobbiamo assicurarci che il nostro algoritmo elabori i dati con lo scopo di fornire informazioni rilevanti e utilizzabili. Per fare un esempio, pensiamo a quando da scolari ci preparavamo per una interrogazione, potevamo studiare a memoria le formule di fisica o i concetti di un’altra materia sperando che durante l’interrogazione ci venissero chieste quelle specifiche domande ma quando invece diventavamo padroni della materia, potevamo rispondere a qualsiasi domanda o applicare le nostre formule a svariati problemi. La sfida del sovradattamento (o overfitting) è proprio questa: riuscire a creare degli algoritmi che non associano determinati risultati a un set di dati, ma che riescono ad elaborare una soluzione congrua, a partire da un qualsiasi set di dati.
L’algoritmo impara dai propri errori
Il Reinforcement Learning è una particolare architettura di apprendimento per algoritmi di Intelligenza Artificiale. Come nell’apprendimento condizionato di noi umani, l’algoritmo che usa il Reinforcement Learning impara dai propri errori con la cosidetta tecnica “prova e sbaglia”. Il set di dati su cui lavora l’algoritmo, non sono serie storiche o analisi del passato, ma dati di un determinato ambiente in tempo reale. Il feedback ricevuto alla fine dell’elaborazione è la ricompensa o la punizione per il nostro algoritmo. Questa branca del machine learning è ancora in uno stato embrionale, ma trova già spazio in diversi campi di applicazioni, dal trading alla guida autonoma delle automobili.
Conclusioni
La maggior parte delle banche e dei fondi di investimento operano sui mercati attraverso robot complessi che sfruttano diversi algoritmi di intelligenza artificiale. Si è compreso che gli attuali computer possono essere programmati efficacemente per individuare modelli da un insieme complesso di dati. Molto spesso il machine learning, il deep learning ed il reinforcement learning vengono combinati per sfruttarne al massimo le potenzialità. Siamo di fronte a tecniche avanzate che evolvono costantemente ed incessantemente. Sempre di più questi trading system non sono solo appannaggio dei grandi hedge fund o delle grandi banche, ma diventano accessibili ai trader retail che decidono di costruire un portafoglio di trading system automatizzato.
