Un modello di Deep Learning per l'automatizzazione di una strategia di trading di BTP futures

In this thesis, a Deep Learning model for prediction on a Limit Order Book (LOB) of BTP futures and automation of a trading strategy is presented. Two distinct approaches for processing the LOB data were explored. In the first approach, stationary features were extracted from the LOB to provide as input to a neural network. In the second approach, raw data from the LOB were used and layers of convolutional filters were applied to automatically extract the most relevant features. The signals generated from these models were employed by an agent to simulate a simple trading strategy in a simulated market. Then, using the same signals, an agent was trained using Reinforcement Learning in the same simulated market to assess whether it could achieve or improve on the results of the initial strategy. ​

In questa tesi, viene presentato un modello di Deep Learning per la predizione su un Limit Order Book (LOB) di BTP futures e l'automatizzazione di una strategia di trading. Sono state esplorati due approcci distinti per l'elaborazione dei dati del LOB. Nel primo approccio, sono state estratte delle feature stazionarie dal LOB da fornire in input a una rete neurale. Nel secondo approccio, sono stati utilizzati i dati grezzi del LOB e applicati strati di filtri convoluzionali per estrarre automaticamente le feature più rilevanti. I segnali generati da questi modelli sono stati impiegati da un agente per simulare una semplice strategia di trading in un mercato simulato. Successivamente, utilizzando gli stessi segnali, è stato addestrato un agente tramite Reinforcement Learning nel medesimo mercato simulato per valutare se potesse ottenere o migliorare i risultati della strategia iniziale. ​