Reinforcement Learning ed Analisi Tecnica applicati ad una strategia di trading finanziario.

Abstract

Per lungo tempo la Teoria dei Mercati Efficienti (EMH) ha dominato e continua tutt’ora a dominare la scena riguardo la realtà e la meccanica dei mercati finanziari. Esistono tuttavia dei nodi che la EMH si limita a definire come “anomalie” ma che in realtà possono essere spiegati adottando un punto di vista diverso: integrando la EMH con i principi propri della scienza evolutiva si arriva a definire la Teoria dei Mercati Adattivi (AMH). Questa nuova teoria non ha lo scopo di sostituire completamente la EMH, al contrario si presta ad essere un complemento ad essa. In questo nuovo framework trova spazio il presente elaborato: attraverso un algoritmo basato sul metodo del Reinforcement Learning (RL) si andrà a costruire un sistema di trading automatico, il quale verrà poi integrato con alcuni indicatori di analisi tecnica. Lo scopo finale dell’elaborato è verificare se effettivamente gli indicatori di analisi tecnica selezionati sono effettivamente utili all’algoritmo nella selezione delle operazioni di trading da eseguire o se l’algoritmo da solo è in grado di prendere decisioni in grado di assicurare un soddisfacente livello di rendimento. L’algoritmo che verrà utilizzato sarà il Q-learning, il quale verrà applicato ad alcune serie storiche dei prezzi di titoli quotati sul mercato italiano.