Predizione andamento futures BTP con Intelligenza Artificiale

In this work, I employ various Machine Learning (ML) methods to accurately forecast futures on BTPs (Italian government bonds). Forecasting in finance provides numerous advantages, yet it is inherently challenging due to the non- linear relationship between past and future data. ML, particularly deep neural networks, assists in identifying these complex relationships. The generated signal can then be leveraged to create a trading strategy. Additionally, I explored the potential of passing this signal to a Reinforcement Learning (RL) agent to develop a strategy. This study demonstrates that it is possible to discover such non-linear relationships using a combination of Convolutional Neural Networks and Multi-Layer Perceptron (MLP), resulting in a profitable trading strategy. While prior research has predominantly focused on highly volatile stocks due to their seemingly greater predictive power, my work achieves notable results with more stable assets like BTPs, leading to profitability on the test set. This research illustrates that with an effective ML architecture, even more stable financial assets can be accurately predicted. Future work can enhance these findings by implementing more sophisticated architectures and conducting extensive parameter searches.

In questo lavoro, utilizzo vari metodi di Machine Learning (ML) per prevedere accuratamente i futures sui BTP (Buoni del Tesoro Poliennali). Le previsioni in ambito finanziario offrono numerosi vantaggi, ma sono intrinsecamente difficili a causa della relazione non lineare tra i dati passati e futuri. Il ML, in particolare le reti neurali profonde, aiuta a identificare queste relazioni complesse. Il segnale generato può quindi essere utilizzato per creare una strategia di trading. Inoltre, ho esplorato il potenziale di passare questo segnale a un agente di Reinforcement Learning (RL) per sviluppare una strategia. Questo studio dimostra che è possibile scoprire tali relazioni non lineari utilizzando una combinazione di reti neurali convoluzionali (CNN) e Multi-Layer Perceptron (MLP), risultando in una strategia di trading redditizia. Mentre la ricerca precedente si è concentrata principalmente su azioni altamente volatili a causa del loro apparentemente maggiore potere predittivo, il mio lavoro ottiene risultati notevoli con asset più stabili come i BTP, portando a profitti nel set di test. Questa ricerca illustra che, con un'architettura ML efficace, è possibile prevedere accuratamente anche asset finanziari più stabili. I lavori futuri possono migliorare questi risultati implementando architetture più sofisticate e conducendo ricerche estensive sui parametri.