Gli algoritmi sono un modo eccellente per investire senza che le emozioni prendano il sopravvento. Uno dei maggiori svantaggi del trading è che le emozioni, come il panico o l’eccessivo entusiasmo, possono innescare grandi errori. Quando utilizziamo calcoli matematici o automatizzati, possiamo ignorare i sentimenti. Ecco alcune delle migliori tecniche di trading quantitativo.
Algoritmi basati sugli ordini.
Esistono diversi modi per sapere quali ordini sono stati eseguiti sul mercato o sono in attesa di esecuzione. Nell’economia blockchain, questi ordini sono pubblici e facili da estrarre, per poi analizzarli o fare strategie su di essi. Al contrario, quando si tratta del mercato azionario, questi ordini non sono sempre pubblici. Ci sono società che vendono queste informazioni a investitori e broker. Ad esempio, Bloomberg o LSEG Data & Analytics, che vendono questo servizio, tra gli altri.
Le fonti da cui vengono acquisiti questi dati possono essere molto difficili da raggiungere. Gli algoritmi basati sul portafoglio ordini, utilizzati nel trading algoritmico e nella finanza quantitativa, possono costare milioni di dollari e gli sviluppatori che li realizzano percepiscono stipendi elevati. Esistono anche tecniche truffaldine per manipolare gli order book, come lo Spoofing o la simulazione di false tendenze. Si possono attuare anche altre strategie meno etiche, come l’identificazione di modelli di altri investitori o bot, per copiare le loro strategie o investire contro di loro, grazie al reverse engineering o retro-engineering.
Un esempio del vantaggio di disporre di queste informazioni potrebbe essere la possibilità di effettuare una vendita di grandi dimensioni in più parti, tenendo conto dei dati del book ordini, in modo da incidere il meno possibile sul valore dell’asset. Suscitare meno sospetti sul volume di trading.
Per il trading ad alta frequenza si utilizzano anche i dati del portafoglio ordini, sfruttando le piccole variazioni di prezzo, trovando momenti di arbitraggio e altre strategie basate sulla liquidità del mercato azionario.
Calcoli basati sulla mean reversion.
Quando si calcola la mean reversion, l’obiettivo è rilevare una certa variazione del prezzo medio. Dopo aver rilevato tale variazione, si cercano talvolta strategie che ipotizzano il ritorno del prezzo a una situazione più vicina alla media o che prevedono variazioni del prezzo. Alcuni calcoli per individuare la mean reversion:
- Media mobile semplice: si calcola la media dei prezzi di un’attività in un determinato periodo di tempo.
- Media mobile esponenziale: è simile alla media mobile semplice, ma dà maggior peso ai prezzi di periodi più vicini.
- Deviazione standard: misura la dispersione dei prezzi rispetto alla media mobile.
- Algoritmi AI: basati sul Machine Learning o sul Deep Learning. Per determinare quando un prezzo non si trova nella sua media e fare previsioni sui prezzi.
- Basati sulle Bande di Bollinger: utilizzano una combinazione di media mobile e deviazione standard.
Algoritmi di calcolo stocastico.
Il calcolo stocastico fa parte di una branca della matematica che viene utilizzata per lavorare con i sistemi casuali. Questa branca viene studiata nelle principali università finanziarie, in particolare in quelle che si occupano di finanza quantitativa. Perché quando si tratta di fare previsioni con i derivati, è stata dimostrata la loro efficacia e sono stati persino premiati i saggi che per primi li hanno resi pubblici. Una cosa che mi entusiasma e mi interessa molto è che probabilmente ci sono molte tecniche matematiche per fare previsioni che non vengono mai alla luce. Per questo penso che anche se questo è stato reso pubblico, non significa che ci siano migliaia di calcoli e algoritmi privati che sono efficaci nel mondo del trading algoritmico.
La matematica che utilizza il calcolo stocastico può essere utilizzata anche in altri campi, come la biologia, lo sviluppo dell’intelligenza artificiale o la fisica; persino Albert Einstein, nel 1905, fu un pioniere della sua applicazione in fisica. Tuttavia, il primo utilizzo conosciuto del calcolo stocastico è stato per i rami della finanza, grazie a Louis Bachelier, che ha pubblicato nella sua tesi di laurea: La teoria della speculazione (è in francese).
Analisi delle serie temporali.
In parole povere, si cercano modelli legati alla temporalità, come la stagionalità dei raccolti, le tendenze di certi periodi, i cicli o gli eventi periodici in generale. Senza mangiarmi la testa, posso condividere alcuni asset in modo estemporaneo, come le azioni Amazon a Natale o le materie prime legate all’agricoltura.
A tal fine è possibile utilizzare una miriade di formule matematiche, come le decomposizioni stagionali o gli alberi di classificazione, oltre a molte altre tecniche. Con una tecnica di decomposizione è possibile analizzare la tendenza, la stagionalità e i residui. Senza complicarsi troppo, è anche possibile calcolare i rendimenti percentuali e fare un confronto.
Il modello SARIMA (Seasonal Autoregressive Integrated Moving Average) viene utilizzato per prevedere le serie temporali e i fattori stagionali. Viene utilizzato per analizzare le fluttuazioni stagionali di alcuni valori. Ad esempio, applicando questo algoritmo a un’attività alberghiera, si può calcolare quando è in alta stagione.
Serie temporali con Prophet (Codice)
Meta ha sviluppato una propria libreria per la previsione delle serie temporali. Questa tecnologia può essere utilizzata per le aziende che hanno vendite molto stagionali, per il mercato azionario, per la meteorologia e per altri casi che includono la stagionalità.
import io, os, sys, setuptools, tokenize
!pip install prophet
import pandas as pd
import yfinance as yf
from prophet import Prophet
import matplotlib.pyplot as plt
# Scarica i dati sui prezzi delle azioni
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2024-08-26')
# Preparare i dati per il Profeta
data.reset_index(inplace=True)
data = data[['Date', 'Close']]
data.columns = ['ds', 'y']
# Assicurati che la colonna "ds" non contenga informazioni sul fuso orario
data['ds'] = data['ds'].dt.tz_localize(None)
# Crea e ottimizza il modello Prophet
model = Prophet()
model.fit(data)
# Crea un dataframe per i prossimi 30 giorni
future = model.make_future_dataframe(periods=30)
# Fare previsioni
forecast = model.predict(future)
# Visualizza le previsioni
fig = model.plot(forecast)
plt.title(f'Pronóstico de Precios de Acciones de {ticker} para los Próximos 60 Días')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')
plt.show()
# Mostra previsioni
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(60))
Ho testato questo codice sulle azioni Apple e si è rivelato piuttosto efficace. Forse è stato un caso, ma mi ha sorpreso.
Volume relativo (RVOL).
Confronta il volume attuale con i volumi dei periodi precedenti. Quando questo calcolo sale, indica che c’è più liquidità del normale, intorno a quel valore e ciò significa che il prezzo potrebbe salire, per motivi come le “balene” che stanno acquistando negli ultimi giorni, in quanto i grandi investitori che utilizzano molto volume, di solito hanno informazioni privilegiate o migliori strumenti di previsione. È possibile selezionare diversi periodi di tempo, ad esempio confrontando periodi di 30 o 60 giorni.
Fare previsioni in relazione al livello di volume non è sempre accurato. Tuttavia, posso dire personalmente che quando il volume sale molto, il prezzo dell’asset in questione generalmente sale. È importante anticipare e il volume è un buon modo per farlo.
Non è necessariamente necessario utilizzare questo algoritmo o indicatore, si possono fare altri calcoli basati sulla statistica o sul Machine Learning, che hanno il volume come fattore di analisi. Quello che voglio dire è che è importante osservare il volume e da lì creare i nostri algoritmi.
Algoritmi di trading a coppie (correlazioni)
Uno dei modi in cui ho guadagnato di più con il trading e ho avuto il più alto tasso di successo è giocare con le correlazioni. Per esempio, se un giorno il Bitcoin sale molto, con un piccolo ritardo, le azioni di Coinbase o MicroStrategy salgono su tutta la linea. Non è uno scherzo: in un solo giorno si possono guadagnare somme molto succose, con le quali si possono comprare capricci. Se si ha la forza mentale di fare Swing trading, i profitti possono essere impressionanti.
Le correlazioni sono facili da calcolare, non sono necessari calcoli avanzati. La libreria NumPy viene utilizzata in Python. Gli investitori che operano sul mercato dei cambi tendono a farlo anche con i Paesi che hanno una grande ricchezza di materie prime. Se, ad esempio, un giorno i prezzi dell’oro o del petrolio aumentano bruscamente, è normale che i Paesi con molti giacimenti minerari o petroliferi vedano questo riflesso nelle rispettive valute. Anche i titoli minerari o petroliferi, sebbene non sia sempre così. Se utilizziamo gli algoritmi per effettuare le correlazioni, possiamo misurare le correlazioni in base alle fasce temporali e rilevarle in modo più rapido o automatizzato.
Le azioni di una società possono essere correlate ad altre azioni. Questo può accadere perché una di esse possiede una grande percentuale di azioni dell’altra o perché hanno interessi comuni.
Il trading quantitativo può battere gli indici?
Sì, ci sono diversi investitori famosi che sono riusciti a superare i principali indici come l’SP500 o il Nasdaq. Uno dei più famosi è Jim Simons, che con il suo fondo Medallion (Renaissance Technologies) ha ottenuto un rendimento medio annuo del 60%. Invece di assumere economisti e contabili, ha impiegato matematici e statistici. Sfortunatamente, questo fondo è chiuso agli investitori al dettaglio, quindi la gente comune non può approfittare di questi grandi rendimenti.
Jim Simons era un matematico senior di origine ebraica, che era stato un decifratore di codici ai tempi della Guerra Fredda. In seguito ha lavorato come professore di matematica nelle università più prestigiose, come Harvard e il MIT, tra le altre. Ha ricevuto premi per aver scoperto importanti teorie sulle applicazioni della geometria, che sono servite per lo sviluppo della fisica quantistica e della teoria delle stringhe. Alla fine degli anni ’70 ha deciso di fondare una propria società di investimenti (Renaissance Technologies LLC).
Come lavorare nella finanza quantitativa?
Prima di pensare a cosa studiare per lavorare nel trading quantitativo, è importante sapere che esistono diversi ruoli all’interno di questo ramo di lavoro. I ruoli più richiesti sono: trader quantitativi nel Front Office (eseguono le operazioni in prima linea); ricercatori che ricercano lo sviluppo di nuove strategie; sviluppatori, che sviluppano il software per eseguire le operazioni, l’analisi dei dati e altre funzioni; gestori del rischio che utilizzano l’analisi quantitativa, gestori di portafoglio e validatori di modelli di strategie quantitative. Per non parlare del ruolo dei professori delle migliori università di finanza, alcune delle quali sono molto costose e selezionate.
A seconda del ruolo, vi sarà richiesto di studiare una cosa o l’altra. In genere è necessario imparare l’inglese, con un livello C1, essere laureati con un’elevata conoscenza della matematica e della statistica, oltre ad avere specializzazioni per il settore finanziario e la padronanza di linguaggi di programmazione, come Python, R o C++.
Esiste anche la possibilità di lavorare come libero professionista, come sviluppatore di sistemi automatici, come tutor privato, in conti di finanziamento o raccogliendo direttamente capitali privati.
Strumenti e tecnologie per il trading quantitativo.
Alcuni strumenti possono aiutarci a migliorare la nostra efficienza, compatibilità e produttività.
Linguaggi di programmazione.
- C++: è utilizzato nel trading ad alta frequenza e nel trading algoritmico. Questo linguaggio è molto veloce. La velocità può essere molto importante in alcune strategie. Anche se si tratta di millisecondi.
- Python e R: sono linguaggi ampiamente utilizzati e compatibili con la matematica, l’analisi dei dati e l’intelligenza artificiale. Python è attualmente il linguaggio più utilizzato al mondo, a livello di backend (architettura interna).
- Database: sia SQL che NoSQL sono essenziali per alcune strategie.
Piattaforme e utility.
- Anaconda: è una suite che offre una migliore compatibilità con alcune librerie e strumenti, quando vogliamo eseguire programmi Python o R. Soprattutto per le funzioni di analisi dei dati e per gli usi scientifici. Il suo gestore di pacchetti (Conda) è davvero utile, in quanto dà meno problemi quando si installano librerie in conflitto.
- Claude, ChatGPT e Copilot: ci sono ottime recensioni di Claude, da parte di persone molto coinvolte nel mondo della finanza quantitativa. Questi strumenti di intelligenza artificiale consentono di risparmiare molto tempo sul lato dello sviluppo.
- Visual Studio: è un IDE per lo sviluppo di software, con un ottimo supporto per i plugin e i linguaggi di programmazione.
- Excel: è ancora utilizzato nel settore finanziario e aziendale. È ancora molto utile e presenta nuovi miglioramenti.
- MetaTrader: software di trading che supporta algoritmi automatici e ha un proprio linguaggio di programmazione (MQL).
Terminale Bloomberg.
Al costo di circa 25.000 dollari all’anno, è lo strumento più utilizzato nel mondo degli investimenti. Diciamo che è la macchina da lavoro delle principali aziende e banche d’investimento. Offre un’infinità di utilità, dall’invio di ordini, all’accesso a dati e informazioni esclusive, all’ottenimento di notifiche e calendari importanti, alla chat con altri professionisti del settore o addirittura alla prenotazione di un ristorante.
La mia opinione personale.
La mia opinione personale sul trading quantitativo e sulla sua applicazione nelle strategie di investimento non è del tutto positiva. Perché non dobbiamo dimenticare che anche altri metodi più semplici possono offrire grandi vantaggi, come quelli condivisi da Warren Buffet. Tuttavia, sono anche un appassionato di sviluppo software e di filosofia, quindi lo trovo un mondo molto interessante. Cosa c’entra la filosofia con tutto questo? Filosofi come Pitagora o René Descartes cercavano il senso della vita nella matematica.