Introduzione:
Il machine learning (ML) è emerso come un potente strumento in varie applicazioni finanziarie, inclusa la valutazione delle azioni. Sfruttando i dati storici di mercato e incorporando diverse funzionalità, gli algoritmi ML possono fornire informazioni preziose sulle previsioni dei prezzi delle azioni e sulle decisioni di investimento. Tuttavia, nonostante il crescente interesse per il machine learning per la valutazione delle azioni, ci sono ancora lacune significative nella nostra comprensione di come questi algoritmi possano contribuire efficacemente a questo campo. Questa revisione sistematica mira a identificare e analizzare lo stato attuale della letteratura sull’applicazione del ML per la valutazione dei titoli, evidenziando le lacune e le opportunità per la ricerca futura.
Metodologia:
È stata condotta una ricerca completa utilizzando database accademici per identificare articoli di ricerca, atti di conferenze e rapporti tecnici rilevanti pubblicati nell'ultimo decennio. I termini di ricerca includevano “apprendimento automatico”, “valutazione delle azioni”, “previsione delle azioni” e “previsioni finanziarie”. Gli studi sono stati selezionati sulla base di criteri di selezione predeterminati, compreso l’uso di algoritmi ML per scopi di valutazione dei titoli e la valutazione empirica delle loro prestazioni.
Risultati:
La revisione ha identificato un corpus sostanziale di letteratura che applica il ML per la valutazione delle azioni, con studi che impiegano un’ampia gamma di algoritmi di apprendimento supervisionato come regressione lineare, alberi decisionali, foreste casuali, macchine a vettori di supporto e reti neurali. I principali risultati degli studi esaminati indicano che gli algoritmi ML possono ottenere previsioni accurate e affidabili sui prezzi delle azioni. Tuttavia, sono stati identificati diversi limiti e lacune nella ricerca attuale:
1. Qualità dei dati e preelaborazione:molti studi si basano su dati storici del mercato azionario senza affrontare adeguatamente i problemi di qualità dei dati come valori mancanti, valori anomali e non stazionarietà. Lo sviluppo di tecniche efficaci di preelaborazione dei dati e l’integrazione di fonti di dati alternative (ad esempio, sentiment sui social media, indicatori economici) sono aree importanti per la ricerca futura.
2. Ingegneria delle caratteristiche:la selezione delle caratteristiche rilevanti per la valutazione delle azioni è cruciale, tuttavia la maggior parte degli studi impiega indicatori tecnici di base senza esplorare set di caratteristiche alternative o utilizzare tecniche di selezione delle caratteristiche. Lo studio di approcci di ingegneria delle funzionalità più avanzati, tra cui la conoscenza del dominio, l'elaborazione del linguaggio naturale e l'analisi del sentiment, può migliorare le prestazioni predittive dei modelli ML.
3. Complessità del modello e overfitting:bilanciare la complessità del modello e prevenire l'overfitting è una sfida critica nel ML per la valutazione delle azioni. Mentre alcuni studi sperimentano architetture ML complesse (ad esempio, reti di deep learning), altri mancano di un'analisi rigorosa della selezione del modello, dell'ottimizzazione degli iperparametri e delle tecniche di regolarizzazione. La ricerca futura dovrebbe concentrarsi su approcci sistematici per la selezione e l’ottimizzazione dei modelli per mitigare i rischi di overfitting.
4. Interpretabilità e spiegabilità:la natura "scatola nera" di alcuni algoritmi ML crea sfide nella comprensione di come arrivano alle previsioni. Migliorare l’interpretabilità dei modelli ML è essenziale per creare fiducia e consentire agli investitori di prendere decisioni informate. Lo sviluppo di tecniche per l'analisi dell'importanza delle caratteristiche, la visualizzazione del modello e le spiegazioni controfattuali sono aree importanti per la ricerca futura.
5. Applicazioni e robustezza nel mondo reale:la maggior parte degli studi valuta gli algoritmi ML su dati storici, ma la loro efficacia negli scenari del mondo reale con condizioni di mercato invisibili rimane incerta. La ricerca futura dovrebbe concentrarsi sul test dei modelli ML su dati in tempo reale, sull’analisi delle loro prestazioni durante le crisi di mercato o i cambiamenti di regime e sulla valutazione della robustezza rispetto al rumore del mercato e alla deriva dei concetti.
Conclusione:
L’applicazione del machine learning per la valutazione delle azioni ha mostrato un potenziale promettente, ma esistono lacune e opportunità significative per la ricerca futura. Affrontare i problemi di qualità dei dati, esplorare tecniche avanzate di ingegneria delle funzionalità, trovare il giusto equilibrio tra complessità e interpretabilità del modello e valutare i modelli in scenari reali sono aree chiave che richiedono ulteriori indagini. Colmando queste lacune, il machine learning può fornire strumenti di valutazione azionaria più affidabili e contribuire a un processo decisionale informato nei mercati finanziari.
