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