Indice
 INTRODUZIONE E PREFAZIONE METODOLOGICA

I-IV
Capitolo I: ANALISI AUTOREGRESSIVA ED IPOTESI D’ EFFICIENZA
DEI MERCATI FINANZIARI ( EMH )
1 - 42
 Introduzione: i modelli dinamici ADL(h,k)
2
1.2 Fase econometrica: stima dei parametri ed analisi dei residui
6
1.3 Realizzazione del trade system ed interpretazione dei risultati operativi
8
1.4 Efficienza dei mercati finanziari
12 1.5 Processi i.i.d. : Test Runs e Test delle Sequenze
14 1.6 Processi Indipendenti e Processi Incorrelati
16 1.7
I modelli ARIMA(p,d,q)
22 1.8
Test di non linearità ed esponente di Hurst come misura di memoria di lungo periodo
26 1.9 Dinamiche non lineari e dinamiche caotiche
33 1.10 Analisi di stabilità lineare locale ed esponenti di Lyapounov come misura di caos
41 1.11 Commenti

Capitolo II: RETI NEURALI COME REGRESSORI
UNIVERSALI
43 2.1
Introduzione
43 2.2
L’ unità base delle reti neurali: il perceptrone e sue funzioni
46 2.3
L’ MLP (Multy Layer Perceptron) e le altre tipologia di reti neurali
49 2.4
L’ apprendimento statistico: rischio strutturale e principio induttivo della
minimizzazione del rischio empirico (MRE)
51 2.5
Progettazione di un modello neurale
52 2.5.1 Individuazione e trattamento delle variabili
53 2.5.2 Selezione dell’ architettura del modello MLP
54 2.6
Addestramento e relativi algoritmi per un modello MLP
61 2.7
Metodo di discesa del gradiente
61 2.7.1 Algoritmo con retropropagazione dell’ errore (Back-Propagation)
63 2.7.2 Algoritmo di retropropagazione veloce (Quickprop)
63 2.7.3 Algoritmo del gradiente coniugato
63 2.8
Metodi Newton e quasi-Newton
64 2.8.1 Algoritmo Dogleg
43 - 77
64 2.8.2 Algoritmo di Levenberg-Marquardt
65 2.9
Analisi della stabilità e robustezza di un modello neurale
67 2.10
Criteri d’ arresto degli algoritmi, criteri per velocizzare la convergenza
(inizializzazione dei pesi e simulatad anealing), tecniche per migliorare le capacità di
generalizzazione (selezione training set e apprendimento con rumore) e per limitare il
fenomeno dell’ overfitting
70 2.11
Regolarizzazione
71 2.12
Tecniche per una determinazione automatica dell’ architettura neurale
72 2.12.1 Metodi pruning
74 2.12.2 Algoritmi adattivi: il Cascade Correlation
74 2.13
Un esempio concreto: tj = sen(xi)+t
77 2.14
Commenti
 Capitolo III: REALIZZAZIONE DI UN MODELLO OPERATIVO
NEURALE DA APPLICARE IN FINANZA
78
3.1
Introduzione
78
3.2
Selezione e trattamento delle variabili
78
3.2.1 Scelta delle variabili esplicative: analisi chartistica e gli oscillatori dell’ analisi
tecnica algoritmica
97
3.2.2 Selezione e trattamento della variabile di output: i rendimenti
97
3.3
Scelta del periodo di addestramento
98
3.4
Selezione dell’ architettura ed addestramento del modello neurale:
implementazione in ambiente Matlab
78 - 114
100 3.5
Validazione del trade system: Backtesting e Forwardtesting
106 3.6
Ottimizzazione e fine tuning del Trade-System: evoluzione del modello neurale
con algoritmo genetico
108 3.6.1 Evoluzione genetica come ottimizzazione
110 3.6.2 Evoluzione genetica come fine tuning
111 3.7

Commenti
Capitolo IV: QUANTIFICAZIONE E GESTIONE DEL
RISCHIO FINANZIARIO
115 - 138
115 4.1 Introduzione
116 4.2 Money Management: la formula di Kelly e la probabilità di rovina
119 4.3 Il problema del capitale iniziale: MoneyManagment del sistema e analisi dell’ MMD
122 4.4 Risk Management: concetto di stop loss e take profit, implementazione al modello
neurale della strategia Var e della teoria dei valori estremi ( EVT )
126 4.5
Analisi della volatilità: effetto clustering, modelli ARCH(p) e GARCH(p,q)
per la stima della varianza condizionata
130 4.5.1 Asimmetria degli impatti informativi: modelli TGARCH(p,q) e modelli EGARCH(p,q)
132 4.6
Strategie di portafoglio: il CAPM e il Market Model
134 4.6.1 Nuovi approcci per le scelte di portafoglio: l’ analisi di cointegrazione (cenni)
135 4.7
Conclusioni
138 bibliografia