Cosa sono le reti neurali nel trading

Le reti neurali sono sostanzialmente dei blocchi di costruzione che “imparano” e sono utili per il riconoscimento di modelli, classificazione e previsione. Sono particolarmente interessanti per i trader perché le reti sono in grado di gestire sia le stime di probabilità in situazioni di incertezza, sia gli schemi “sfumati”, cioè quelli riconoscibili a occhio ma difficili da definire in un software con regole precise, e hanno il potenziale per riconoscere quasi tutti gli schemi esistenti.

Le reti possono anche integrare grandi quantità di informazioni senza essere soffocate dai dettagli e possono adattarsi ai cambiamenti dei mercati e delle condizioni di mercato. Esiste un’ampia gamma di reti neurali, che si differenziano per la loro “architettura”, ossia per il modo in cui i neuroni simulati sono interconnessi, per i dettagli del comportamento di questi neuroni (comportamento di elaborazione del segnale o “funzioni di trasferimento”) e per il processo di apprendimento.

Esistono diversi tipi di reti neurali molto diffusi e utili per i trader: le reti di Kohonen e di quantizzazione vettoriale dell’apprendimento (LVQ), varie reti di risonanza adattiva e reti ricorrenti.

Come già detto, le reti si differenziano per il modo in cui apprendono. Lo sviluppatore del sistema svolge dunque il ruolo di insegnante della rete neurale, fornendo alla rete esempi da cui imparare. Alcune reti utilizzano un “apprendimento supervisionato” e altre un “apprendimento non supervisionato”. L’apprendimento supervisionato avviene quando si insegna alla rete a produrre una soluzione corretta mostrandole istanze di soluzioni corrette.

Si tratta di una forma di apprendimento a coppie: alla rete vengono presentate coppie di ingressi e un’uscita desiderata per il trading; per ogni serie di ingressi, è compito della rete imparare a produrre l’uscita desiderata. L’apprendimento non supervisionato, invece, prevede che le reti prendano gli insiemi di input che vengono loro forniti e li organizzino come meglio credono, in base agli schemi che vi trovano. Indipendentemente dalla forma di apprendimento impiegata, la difficoltà principale nello sviluppo di modelli di reti neurali di successo consiste nel trovare e “massaggiare” i dati storici in esempi di addestramento o “fatti” che mettano in evidenza gli schemi rilevanti, in modo che le reti possano apprendere in modo efficiente e non essere sviate o confuse; la “pre-elaborazione” dei dati è un’arte in sé.

Il processo di apprendimento vero e proprio di solito prevede un meccanismo di aggiornamento dei pesi delle connessioni neurali in risposta agli esempi di addestramento. Con le architetture feedforward, si utilizza spesso la back-propagation, una forma di ottimizzazione steepest-descent. Anche gli algoritmi genetici sono efficaci. Questi ultimi sono molto intensivi dal punto di vista computazionale e richiedono molto tempo, ma in genere producono risultati finali migliori.