Blog.

FinTech: Machine Learning for Finance (FinML) | Guide e Risorse di qualità


Autore
Andrea Provino
Data
Tempo di lettura
5 minuti
Categoria
AI, machine-learning

machine-learning-for-finance-trading-online-data-science-deep-learning-intelligenza-artificiale

Il Machine learning è oggi ampiamente usato nel settore finanziario (machine learning for finance). Scopriamo quali tecniche di machine learning for finance siano usate e in che modo possano tornare utili.

So che sei una persona intelligente, altrimenti non saresti qui, ergo per cui intendo rispettarti trattandoti come tale.

Sappi allora che là fuori è pieno di aspiranti guru e millantatori del settore finanziario che condividono impressionanti statistiche per convincerti ad acquistare corsi di svariate migliaia di euro, o entrare in gruppi poco raccomandabili.

Qui non trovi nulla di ciò.

Siamo persone oneste, e serie, con la lucidità mentale per capire che il mercato e un sistema complesso che non può essere ‘battuto’, ‘conquistato’ o ‘dominato‘.

Sappiamo che non esistono algoritmi di trading che ‘assicurano ritorni certi’, e sicuramente non sono accessibili in pochi click su una repository pubblica di github.

Evidentemente oggi diverse aziende sono coadiuvate nell’acquisto di azioni da sofisticati algoritmi che però non sono liberamente accessibili. E per ovvi motivi.

Perché mai dovrei darti accesso a un sistema proprietario che mi fa guadagnare?

Spoiler alert: le aziende finanziarie non hanno l’altruismo codificato nel DNA.

Auspicare di scrivere qualche riga di codice, attivare un bot e vedersi il conto in banca crescere esponenzialmente è ridicolo.

Allora, dopo tutte queste premesse, che quasi sembrano minare il post, qual è lo scopo di questo articolo?

A mio avviso, e sono sicuro di essere sulla tua stessa lunghezza d’onda, il machine learning è interessante. Il settore finanziario lo è.

L’unione dei due? Un’accoppiata troppo curiosa per essere abbandonata: il FinTech.

Ecco allora lo scopo: quello di capire quale sia lo stato dei sistemi di machine learning for finance, per sperimentare con essi, divertirsi e testare, magari persino con piccoli ritorni economici, e trasformalo in un hobby domenicale.

P.S. Se dovessi riuscire a guadagnare qualcosa di significativo, ricordati di chi ti ha permesso questo… 🙂

Dai almeno clicca su qualche banner qui intorno. C’è quello sui PRODOTTI CHE I COOKIE DICONO POTRESTI TROVARE INTERESSANTI che vale proprio la pena di vedere.

Ok, processo di raccolta fondi terminato.

Cosa ne pensi? Sono riuscito a conquistare la tua attenzione?

Allora, procediamo!

Machine Learning for finance

Cos’è il machine learning for finance? Il machine learning for finance è l’applicazione del machine learning, del deep learning e altre tecniche, per:

  • trading
  • portoflio management
  • fixed income
  • derivates and hedging (derivati e fondi speculativi)

Vediamo allora quali sono le risorse disponibili più utili per gestire questi ambiti al meglio.

Sappi che in generale, distinguiamo due approcci:

  • quello di previsione degli andamenti con finalità consigliera, per cui sei te in ultima analisi a procedere
  • quello di previsione con finalità attuativa, per cui gli ordini sono gestiti interamente dal sistema.

In genere, il primo approccio fa uso del deep learning e quindi di reti neurali, il secondo ricorre ai sistemi di apprendimento per rinforzo.

Finance dataset for ML

Quando uno Chef cucina, il suo primario interesse sono le materie prime.

Avere acceso ai migliori ingredienti è determinante al successo di un buon piatto.

La tipologia di padella, la lama del coltello, acciaio o ceramica, sono particolari che passano totalmente in secondo piano.

Perché allora dovresti preoccuparti unicamente del miglior algoritmo di training, di sviluppare il modello di deep learning per eccellenza se non hai accesso ai migliori dati?

Ecco perché un’accurata selezione del dataset per la tua strategia finanziaria è fondamentale.

Dove trovare dataset per machine learning for finance? Puoi generare il tuo personale dataset dalle seguenti fonti:

  • Quandl, usata da più di 400k persone, inclusi analisi di importati fondi speculativi.
  • Alpha Vantage, che dispone di APIs (ritotano dati JSON) e integrazione in Excel e Google Sheet, oltre a dati su FX (Forex) e cryptocurrency
  • Polygon, una Financial Market Data Platform per azioni, forex, crypto e altro (piano gratuito limitato a 5 chiamate per minuto, o illimitate con delay di 15 minuti per 99$ al mese sul mercato azionario e 49$ al mese su quello delle cryptocurrencies senza ritardo)
  • IEX Cloud con un piano a pagamento estremamente allettante a soli 9$ al mese per un abbonamento annuale
  • Bitstamp è stata tra i primi vendor a proporre una piattaforma di trading online. Alcune delle sue API sono gratuite e ha persino un socket per risultati aggiornati in tempo reale. Per intenderci la tecnologia a socket è quella su cui si basano molti sistemi di messaggistica per cui ti iscrivi a un canale e rimani in ascolto dei messaggi trasmessi.

Machine Learning for Trading

Il TOL o Trading OnLine è la compravendita di strumenti finanziari tramite internet.

Trovi una collezione di strategie di Reinforcement Learning qui.

Se invece stai cercando qualcosa con una curva di apprendimento meno ripida, ti consiglio questa risorsa che costituisce un buon punto di partenza in materia.

Machine learning for Portfolio management

Cos’è il machine learning for portfolio management? Il machine learning for portfolio management

La risorse di Deep Learning da tenere a mente è qui DeepDow che si unisce due step comuni nell’ottimizzazione del portfolio (portfolio optimization):

  • previsione evoluzione futura del mercato (LSTM)
  • Optimization problem design and solution

Questo pacchetto fornisce indicazioni sul come procedere, senza però essere in grado di attuare e ottimizzare strategie di portfolio management vere e proprie.

Non è un algoritmo, quanto piuttosto un framework per la sperimentazione semplice di potenti strumenti.

Per un’analisi rischi, ti consiglierei invece questa collezione di Jupyter Notebooks.

Infine ti lascio a un elenco di risorse che potresti trovare utili.

Per il momento è tutto.

Per aspera, ad astra.

Un caldo abbraccio, Andrea

Taggeddeep learningguidamachine learning


Ultimi post

Patricia Merkle Trie

Il Practical Algorithm To Retrieve Information Coded In Alphanumeric Merkle Trie, o Patricia Merkle Trie è una struttura dati chiave-valore usatada Ethereum e particolarmente efficiente per il salvataggio e la verifica dell’integrità dell’informazione. In questo post ne studieremo le caratteristiche. Prima di procedere, ci conviene ripassare l’introduzione al Merkle Tree nella quale abbiamo chiarito il […]

Andrea Provino
ethereum-patricia-merkle-tree
Tree Data Structure: cos’è un Merkle Tree

Un Merkle Tree è una struttura dati efficiente per verificare che un dato appartenga a un insieme esteso di elementi. È comunemente impiegato nelle Peer to Peer network in cui la generazione efficiente di prove (proof) contribuisce alla scalabilità della rete. Capire i vantaggi di questa struttura ci tornerà utile nel nostro percorso di esplorazione […]

Andrea Provino
merkle-tree-cover
UTXO: come funziona il modello Unspent Transaction Outputs

Per tenere traccia dei bilanci utente, la blockchain di Bitcoin sfrutta un modello di contabilità definito UTXO o Unspent Transaction Outputs. In questo articolo ne esaminiamo le caratteristiche. Ogni blockchain è dotata di un sistema di contabilità, un meccanismo attraverso cui tenere traccia dei bilanci di ciascun utente. I due grandi modelli di riferimento nel […]

Andrea Provino
bitcoin-utxo
Cos’è Ethereum

Possiamo definire Ethereum come una macchina a stati distribuita che traccia le transizioni di un archivio dati general-purpose (i.e. una memoria in grado di registrare qualsiasi dato esprimibile come coppia di chiave e valore o key-value) all’interno della Ethereum Blockchain. È arrivato il momento di esplorare uno dei progetti tecnologici più innovativi e interessanti degli […]

Andrea Provino
ethereum