[et_pb_section bb_built=”1″ fullwidth=”on” _builder_version=”3.17.6″ background_image=”\/wp-content\/uploads\/shutterstock_1042147258.jpg” next_background_color=”#ffffff”][et_pb_fullwidth_post_title author=”off” date_format=”d.M.Y” comments=”off” featured_image=”off” text_color=”light” _builder_version=”3.7″ meta_font=”||||||||” meta_text_color=”#ff6e00″ meta_font_size=”13px” background_color=”rgba(47,58,100,0.8)” text_orientation=”center” custom_padding=”120px|250px|120px|250px” text_shadow_style=”preset3″ title_font=”||||||||” custom_padding_last_edited=”on|phone” custom_padding_tablet=”|130px||130px” custom_padding_phone=”|0px||0px” \/][\/et_pb_section][et_pb_section bb_built=”1″ _builder_version=”3.0.47″ custom_padding=”30px|0px|54px|0px|false|false” prev_background_color=”#000000″][et_pb_row _builder_version=”3.0.47″ background_size=”initial” background_position=”top_left” background_repeat=”repeat”][et_pb_column type=”4_4″][et_pb_text _builder_version=”3.17.6″]Il Machine Learning (ML) e l\u2019attivit\u00e0 di trading assistita dall\u2019intelligenza artificiale hanno suscitato un crescente interesse nel corso degli ultimi anni. Recentemente, un gruppo di ricercatori composto fra l\u2019altro da tre italiani (Alessandretti et al. 2018) hanno utilizzato questo approccio per testare se l\u2019inefficienza del mercato delle criptovalute possa essere sfruttata per ottenere profitti anormali. Analizzando dati giornalieri per il periodo da novembre 2015 ad aprile 2018, essi mostrano che le semplici strategie di trading assistite dai pi\u00f9 innovativi algoritmi di ML sono superiori agli standard tradizionali. I risultati raggiunti dalla loro ricerca evidenziano altres\u00ec che algoritmi non banali ma essenzialmente semplici possono essere utili nella previsione di breve periodo dei prezzi di mercato delle criptovalute.<\/p>\n
Pi\u00f9 specificatamente, gli autori hanno analizzato la performance di tre modelli di previsione sui prezzi giornalieri delle criptovalute. Due di questi modelli si basano sugli alberi decisionali con \u201cpotenziamento del gradiente\u201d, mentre il terzo \u00e8 legato alle reti neurali ricorrenti di lungo e breve periodo (LSTM). Nel primo metodo, il modello \u00e8 stato utilizzato per prevedere il rendimento dell\u2019investimento per tutte le valute; nel secondo metodo, gli autori hanno costruito un modello diverso per ogni moneta per ottenere una previsione su di essa mediante l\u2019utilizzo dell\u2019informazione relativa al comportamento dell\u2019intero mercato; nel terzo e ultimo metodo, essi hanno ancora costruito un modello differente per ogni moneta, ma la previsione si \u00e8 basata sui prezzi precedenti.<\/p>\n
Essi hanno anche costruito portafogli d\u2019investimento basati sulle previsioni dei tre differenti modelli utilizzati e hanno comparato le loro performance con quelle di un riferimento rappresentato dalla ben nota strategia di media mobile semplice utilizzata come modello di comparazione nelle previsioni degli andamenti azionari. I parametri di ogni modello sono stati ottimizzati su base giornaliera tranne che per l\u2019ultimo metodo, e tale ottimizzazione \u00e8 stata basata sul risultato della scelta dei vari parametri nei periodi precedenti. Per l\u2019ottimizzazione dei parametri e per l\u2019analisi della performance dei portafogli sono state utilizzate due metriche: il rendimento medio geometrico e il quoziente di Sharpe. Per scontare l\u2019effetto della crescita del mercato preso nel suo insieme, i prezzi delle criptovalute sono stati espressi in Bitcoin (quindi il Bitcoin \u00e8 stato escluso dall\u2019analisi). Tutte le strategie hanno prodotto un profitto in termini di Bitcoin per l\u2019intero periodo analizzato e per un\u2019ampia gamma di periodi di trading pi\u00f9 brevi (ovvero per differenti combinazioni di date d\u2019inizio e fine dell\u2019attivit\u00e0 di trading), anche quando sono considerate commissioni di transazioni per un massimo dello 0,2%.<\/p>\n
I tre metodi hanno avuto una performance migliore rispetto alla strategia base di media mobile semplice quando la strategia d\u2019investimento \u00e8 stata condotta per tutto il periodo considerato. L\u2019ottimizzazione dei parametri basata sul quoziente di Sharpe ha raggiunto i rendimenti pi\u00f9 alti. I metodi basati sugli alberi decisionali a potenziamento del gradiente (i primi due) hanno funzionato meglio quando le previsioni erano basate su una finestra di breve periodo di 5\/10 giorni, il che fa supporre che tali modelli sfruttano bene soprattutto le relazioni di breve periodo. Al contrario, le reti neurali ricorrenti LSTM, hanno funzionato al meglio quando le previsioni erano basate su una finestra di dati di circa 50 giorni, poich\u00e9 esse sono in grado di catturare anche le relazioni di pi\u00f9 lungo periodo e sono estremamente stabili a fronte della volatilit\u00e0 di prezzo. Le reti neurali hanno permesso di ottenere un profitto anche considerando commissioni di transazione nella misura massima dell\u20191%. I metodi basati sugli alberi decisionali a potenziamento del gradiente permettono comunque dei risultati meglio interpretabili. I ricercatori hanno trovato che i prezzi e i rendimenti di una criptovaluta negli ultimi giorni che precedono la previsione erano fattori importanti nell\u2019anticipare il suo comportamento. Fra i due metodi basati sulle foreste casuali (o alberi decisionali), il secondo (ovvero quello che considera un modello diverso per ogni criptovaluta) ha avuto una migliore performance. Infine, vale la pena notare che tutti e tre i modelli proposti risultano pi\u00f9 robusti quando le previsioni vengono effettuate in termini di Bitcoin piuttosto che di Dollaro USA. Questo fatto comporta che la previsione simultanea della tendenza dell\u2019intero mercato delle criptovalute oltre che degli sviluppi delle singole monete \u00e8 una sfida pi\u00f9 ardua rispetto allo studio della sola previsione dei prezzi e dei rendimenti delle sole singole valute.<\/p>\n
Lo studio ha comunque alcune limitazioni. Anzitutto, l\u2019esistenza di diversi prezzi su diverse piattaforme di scambio non \u00e8 stata considerata. Se lo fosse, la diversit\u00e0 dei prezzi fra piattaforme potrebbe aprire la strada a rendimenti degli investimenti significativamente pi\u00f9 alti. In secondo luogo, sono state ignorate anche le fluttuazioni di prezzo intra-giornaliere ed \u00e8 stata fatta la scelta di prendere solo un prezzo medio giornaliero. Da ultimo, e in modo determinante, gli autori hanno eseguito un\u2019analisi in cui l\u2019offerta disponibile di Bitcoin \u00e8 illimitata, mentre nessuna delle loro transazioni influenza il mercato. Nonostante queste semplificazioni, i metodi presentati sono stati sistematicamente e regolarmente capaci d\u2019identificare delle monete pi\u00f9 performanti.<\/p>\n