Papers by Fabrizio Lasaponara
L’obiettivo principale dell’elaborato è quello di fornire uno strumento di supporto alla decision... more L’obiettivo principale dell’elaborato è quello di fornire uno strumento di supporto alla decisione dell’investitore in merito all'acquisto o alla vendita di titoli finanziari. A partire da una timeserie con le oscillazioni storiche di prezzo di un titolo, si vogliono trovare degli algoritmi in grado di stabilire i momenti futuri più favorevoli per acquistarlo o venderlo.
Più in particolare, il nostro punto di partenza sarà un dataset di pattern
(successione di prezzi che d`a luogo a particolari configurazioni grafiche), riconosciuti in modo deterministico, che dovrebbero dare un’indicazione sul trend dei prossimi giorni. Questi pattern sono molto utilizzati dai traders e probabilmente celano al loro interno informazioni rilevanti. Tuttavia, adottare una strategia di trading solo ed esclusivamente seguendo segnali di tipo grafico può essere alquanto rischioso; difatti l’indicazione associata ad un pattern noto si verifica nelle situazioni reali solo con soglie di probabilità leggermente superiori al 60%.
Si tratta di un valore decisamente basso per più ragioni: anzitutto si tenga presente che ogni volta in cui si entra o esce da una posizione (ossia si aggiunge e poi si liquida un titolo dal portafoglio) vengono pagate delle spese di commissione le quali ammontano a circa 0,4% del controvalore. Inoltre, poiché i segnali derivanti dall'analisi grafica hanno senso solo se valutati in un’ottica di breve/brevissimo termine, le commissioni risultano fortemente influenti perché i trade fatti con analisi di questo tipo danno luogo a profitti su scostamenti di prezzo al di sotto dell' 1%. In fine, non è sempre possibile acquistare o vendere un titolo nel momento in cui scatta un segnale grafico.
Per sopperire a tutte queste criticità si rende perciò necessario aumentare le probabilità di successo dei nostri segnali. Per fare ciò l’elaborato si propone di utilizzare una serie di tecniche di machine learning supervised per selezionare - tra i pattern riconosciuti in modo deterministico - quelli che hanno più probabilità d’essere corretti.
L'analisi è stata svolta con il software R sia per la numerosità dei packages attinenti alla statistica e al machine learning, sia perché si tratta di un applicativo open-source.
L’elaborato mira all'analisi delle classificazioni di rating assegnati dalla celebre agenzia amer... more L’elaborato mira all'analisi delle classificazioni di rating assegnati dalla celebre agenzia americana MOODY'S alle pi`u importanti società quotate sul panorama europeo e americano al fine di comprendere se le classificazioni avvengano prevalentemente con dati noti pubblicamente agli azionisti (bilanci, comunicati stampa, ecc.) oppure se queste siano il risultato di un rilevante uso d’informativa nascosta.
Inizialmente verranno illustrati quali tipologie di dati saranno presi in considerazione, le modalità in cui è possibile reperirli e le statistiche descrittive principali che li caratterizzano. Successivamente verranno utilizzate tecniche di supervised (linear discriminant analysis e support vector machine) e unsupervised (principal component analysis e hierarchical clustering) learning per comprendere se sia possibile determinare un modo per far assegnare automaticamente alla macchina i medesimi rating dell’agenzia.
L’elaborato mira all’analisi del problema legato alla remunerazione degli executive, i top manage... more L’elaborato mira all’analisi del problema legato alla remunerazione degli executive, i top manager delle grandi company americane. Dopo aver discusso il merito del problema, la trattazione affronterà la descrizione dell’attuale
stato delle cose - anche attraverso l’esposizione di semplici modelli di remunerazione - e l’analisi della serie storica dell’andamento delle remunerazioni degli executives a partire dagli anni ’50, cercando di chiarire le modalità con le quali si è giunti agli attuali scenari. Seguirà lo studio di eventuali correlazioni con fattori esogeni, quali ad esempio l’andamento del mercato finanziario o quello del lavoro, al fine di identificare con più cognizione di causa le dinamiche chiave nell’evoluzione temporale del sistema di retribuzione degli executive.
Questa tesi nasce motivata dal problema dell’individuazione del momento in cui un moto browniano ... more Questa tesi nasce motivata dal problema dell’individuazione del momento in cui un moto browniano cambia il suo drift. Ne deriva la necessità di studiare in modo più approfondito la distribuzione dei tempi necessari all’identificazione del cambiamento. La questione viene affrontata attraverso gli strumenti della teoria rigurdante la "Sequential Analysis".
Uploads
Papers by Fabrizio Lasaponara
Più in particolare, il nostro punto di partenza sarà un dataset di pattern
(successione di prezzi che d`a luogo a particolari configurazioni grafiche), riconosciuti in modo deterministico, che dovrebbero dare un’indicazione sul trend dei prossimi giorni. Questi pattern sono molto utilizzati dai traders e probabilmente celano al loro interno informazioni rilevanti. Tuttavia, adottare una strategia di trading solo ed esclusivamente seguendo segnali di tipo grafico può essere alquanto rischioso; difatti l’indicazione associata ad un pattern noto si verifica nelle situazioni reali solo con soglie di probabilità leggermente superiori al 60%.
Si tratta di un valore decisamente basso per più ragioni: anzitutto si tenga presente che ogni volta in cui si entra o esce da una posizione (ossia si aggiunge e poi si liquida un titolo dal portafoglio) vengono pagate delle spese di commissione le quali ammontano a circa 0,4% del controvalore. Inoltre, poiché i segnali derivanti dall'analisi grafica hanno senso solo se valutati in un’ottica di breve/brevissimo termine, le commissioni risultano fortemente influenti perché i trade fatti con analisi di questo tipo danno luogo a profitti su scostamenti di prezzo al di sotto dell' 1%. In fine, non è sempre possibile acquistare o vendere un titolo nel momento in cui scatta un segnale grafico.
Per sopperire a tutte queste criticità si rende perciò necessario aumentare le probabilità di successo dei nostri segnali. Per fare ciò l’elaborato si propone di utilizzare una serie di tecniche di machine learning supervised per selezionare - tra i pattern riconosciuti in modo deterministico - quelli che hanno più probabilità d’essere corretti.
L'analisi è stata svolta con il software R sia per la numerosità dei packages attinenti alla statistica e al machine learning, sia perché si tratta di un applicativo open-source.
Inizialmente verranno illustrati quali tipologie di dati saranno presi in considerazione, le modalità in cui è possibile reperirli e le statistiche descrittive principali che li caratterizzano. Successivamente verranno utilizzate tecniche di supervised (linear discriminant analysis e support vector machine) e unsupervised (principal component analysis e hierarchical clustering) learning per comprendere se sia possibile determinare un modo per far assegnare automaticamente alla macchina i medesimi rating dell’agenzia.
stato delle cose - anche attraverso l’esposizione di semplici modelli di remunerazione - e l’analisi della serie storica dell’andamento delle remunerazioni degli executives a partire dagli anni ’50, cercando di chiarire le modalità con le quali si è giunti agli attuali scenari. Seguirà lo studio di eventuali correlazioni con fattori esogeni, quali ad esempio l’andamento del mercato finanziario o quello del lavoro, al fine di identificare con più cognizione di causa le dinamiche chiave nell’evoluzione temporale del sistema di retribuzione degli executive.
Più in particolare, il nostro punto di partenza sarà un dataset di pattern
(successione di prezzi che d`a luogo a particolari configurazioni grafiche), riconosciuti in modo deterministico, che dovrebbero dare un’indicazione sul trend dei prossimi giorni. Questi pattern sono molto utilizzati dai traders e probabilmente celano al loro interno informazioni rilevanti. Tuttavia, adottare una strategia di trading solo ed esclusivamente seguendo segnali di tipo grafico può essere alquanto rischioso; difatti l’indicazione associata ad un pattern noto si verifica nelle situazioni reali solo con soglie di probabilità leggermente superiori al 60%.
Si tratta di un valore decisamente basso per più ragioni: anzitutto si tenga presente che ogni volta in cui si entra o esce da una posizione (ossia si aggiunge e poi si liquida un titolo dal portafoglio) vengono pagate delle spese di commissione le quali ammontano a circa 0,4% del controvalore. Inoltre, poiché i segnali derivanti dall'analisi grafica hanno senso solo se valutati in un’ottica di breve/brevissimo termine, le commissioni risultano fortemente influenti perché i trade fatti con analisi di questo tipo danno luogo a profitti su scostamenti di prezzo al di sotto dell' 1%. In fine, non è sempre possibile acquistare o vendere un titolo nel momento in cui scatta un segnale grafico.
Per sopperire a tutte queste criticità si rende perciò necessario aumentare le probabilità di successo dei nostri segnali. Per fare ciò l’elaborato si propone di utilizzare una serie di tecniche di machine learning supervised per selezionare - tra i pattern riconosciuti in modo deterministico - quelli che hanno più probabilità d’essere corretti.
L'analisi è stata svolta con il software R sia per la numerosità dei packages attinenti alla statistica e al machine learning, sia perché si tratta di un applicativo open-source.
Inizialmente verranno illustrati quali tipologie di dati saranno presi in considerazione, le modalità in cui è possibile reperirli e le statistiche descrittive principali che li caratterizzano. Successivamente verranno utilizzate tecniche di supervised (linear discriminant analysis e support vector machine) e unsupervised (principal component analysis e hierarchical clustering) learning per comprendere se sia possibile determinare un modo per far assegnare automaticamente alla macchina i medesimi rating dell’agenzia.
stato delle cose - anche attraverso l’esposizione di semplici modelli di remunerazione - e l’analisi della serie storica dell’andamento delle remunerazioni degli executives a partire dagli anni ’50, cercando di chiarire le modalità con le quali si è giunti agli attuali scenari. Seguirà lo studio di eventuali correlazioni con fattori esogeni, quali ad esempio l’andamento del mercato finanziario o quello del lavoro, al fine di identificare con più cognizione di causa le dinamiche chiave nell’evoluzione temporale del sistema di retribuzione degli executive.