Gli strumenti di intelligenza artificiale possono aiutare a prevedere il movimento e la volatilità dei prezzi delle azioni? Lo credono due ricercatori della South Dakota State University (SDSU): Kaiqun Fu, assistente professore presso il Dipartimento di ingegneria elettrica e informatica della SDSU, e Yangxiao Bai, assistente di ricerca. Hanno sviluppato un modello basato sull’intelligenza artificiale che anticipa il movimento dei prezzi delle azioni e le tendenze della volatilità del mercato azionario.
Il loro modello presentato nella rivista Arxiv come “Alerta-Net” è una rete neurale profonda che integra dati macroeconomici, dati dei motori di ricerca e dati dei social media: la prima nel suo genere a farlo.
Kaiqun Fu ha affermato:
«Per quanto ne sappiamo, questo è uno dei primi tentativi di utilizzare la combinazione di social media, dati macroeconomici e informazioni sui motori di ricerca per prevedere sia il movimento dei prezzi delle azioni sia la volatilità».
Le borse statunitensi sono alcuni dei mercati finanziari più monitorati al mondo, rappresentano un importante indicatore del benessere economico di un paese, sono anche estremamente difficili da prevedere con una precisione prolungata, in termini di ricerche e previsioni sul mercato azionario, esistono due metodi principali: analisi tecnica e analisi fondamentale. L’analisi tecnica si basa sui prezzi passati delle azioni per prevedere le tendenze future. L’analisi fondamentale utilizza informazioni e dati esterni.
Kaiqun Fu e Yangxiao Bai hanno sottolineato che entrambi i metodi, presentano difetti, fanno sì che non vengano rilevati gli indicatori chiave del mercato azionario.
Kaiqun Fu ha affermato:
«L’analisi tecnica dipende fortemente dai dati storici, che a volte possono trascurare improvvisi cambiamenti del mercato dovuti a eventi imprevisti. Presupponendo un comportamento di mercato uniformemente razionale, questo metodo può inavvertitamente creare una camera di risonanza, questo effetto può far sì che i segnali di trading si amplificano, fino a disconnettersi dal reale contesto economico».
L’analisi fondamentale, d’altro canto, tende a concentrarsi sui mercati finanziari, spesso trascura la relazione simbiotica tra l’economia nel suo complesso e il mercato azionario. Tuttavia, richiede ancora un metodo più completo rispetto all’analisi tecnica.
Kaiqun Fu ha affermato:
«I modelli esistenti si concentrano principalmente sulla previsione dei cambiamenti di tendenza, spesso trascurano l’importanza della portata di questi cambiamenti, nel campo del comportamento delle azioni, l’entità di questi cambiamenti ha un peso significativo».
Il team di ricerca insieme a docenti della Virginia Tech e del Texas A&M University-Corpus Christi, per costruire questo modello di previsione completo e a più livelli, ha selezionato 41 titoli “Blue Chip” dallo standard di classificazione del settore globale.
Kaiqun Fu e Yangxiao Bai hanno poi incorporato la loro esperienza nel recupero delle informazioni sui social media, un processo che utilizza il deep learning, un metodo di intelligenza artificiale, per raccogliere e leggere ampie quantità di post.
I dati provengono da Yahoo Finance, che ha tracciato la traiettoria di 41 titoli in un periodo di tre anni; per reperire i post sui social media è stata utilizzata la piattaforma di social media X, precedentemente nota come Twitter: sono stati raccolti, analizzati e inclusi nel modello più di 7 milioni di tweet che parlavano dei 41 diversi titoli azionari.
Kaiqun Fu ha affermato:
«Riconosciamo l’influenza significativa che il volume di Twitter ha sul commercio di azioni. Ci siamo assicurati che i parametri di input del nostro modello includessero l’analisi sentimentale dei singoli tweet e il conteggio giornaliero dei post Twitter elaborati».
Il team di ricerca ha detto che nel modello sono stati inseriti anche i dati storici della Federal Reserve. I risultati del modello mostrano che ha ottenuto risultati migliori, in termini di precisione, rispetto a DP-LSTM, una rinomata rete di previsione dei movimenti azionari, e ad altri modelli di previsione di base.
Kaiqun Fu ha affermato:
«Il nostro studio ha rivelato che l’integrazione dei dati macroeconomici, migliora significativamente le capacità predittive del modello per il movimento e la volatilità delle azioni a vari livelli».
È stato sottolineato che questo è solo l’inizio per il lavoro di Kaiqun Fu e Yangxiao Bai, poiché continueranno a sperimentare nuovi input e fonti di dati per migliorare la precisione del modello.
Kaiqun Fu teorizza che integrando fonti audio e video, il modello potrebbe diventare ancora più accurato. Inoltre, ritiene che questo tipo di modellizzazione abbia applicazioni ben oltre il mercato azionario.
