To learn or not to learn?

Una rappresentazione di GGSMZ (AFI: /ˈdʒidʒi/), da:
Guarino, A, Grilli, L, Santoro, D, Messina, F, Zaccagnino, R. On the efficacy of “herd behavior” in the commodities market: A neuro-fuzzy agent “herding” on deep learning traders. Appl Stochastic Models Bus Ind. 2023; 1-25. doi: 10.1002/asmb.2793

I soggetti che operano nei mercati finanziari generalmente sono persone. Tuttavia, con il crescente uso delle macchine, queste persone sono via via sostituite dai c.d. agenti intelligenti o computazionali (CI).I CI basano la forza delle loro strategie su tecniche come il Reinforcement Learning, riuscendo ad imparare dai propri errori (proprio come gli umani!) tramite meccanismi di rewards.Dunque, se i CI riescono ad ottenere prestazioni elevatissime nella creazione di strategie di trading, perché non creare un super-agente che si basi sul comportamento dei migliori?Proprio questa è l'idea alla base di GGSMZ (AFI: /ˈdʒidʒi/), un agente neuro-fuzzy che osserva il comportamento dei migliori CI (il c.d. herding behavior) e ne ottimizza ulteriormente la strategia. Questo super-agente è stato testato sia nelle bolle dei mercati crypto di 2018 e 2021 (BTC ed ETH) che sui mercati dei commodity futures nel periodo critico del conflitto Russia-Ucraina (2022).I risultati mostrano come GGSMZ sia stato in grado di ottenere prestazioni eccezionali in entrambi i casi, grazie alla capacità di "guardarsi intorno" ed apprendere dai migliori.

EvoFolio

La gestione di un portafoglio finanziario è da sempre un problema di ottimizzazione complesso da risolvere. Ci sono molti fattori da tenere in considerazione, i quali non dipendono solo dagli strumenti finanziari (o asset) detenuti nel portafoglio, ma spesso anche dalle preferenze dell'investitore. EvoFolio rappresenta un sistema per risolvere questo problema: è basato su un Algoritmo Genetico (GA) interattivo che, attraverso operazioni come mutazione e crossover dei geni, contemporaneamente massimizza il rendimento e minimizza il rischio, tenendo in considerazione le preferenze dell'investitore su alcuni titoli. I risultati di EvoFolio sono straordinari, sia nel caso di scelta libera tra un universo di titoli azionari sia nel caso di scelta vincolata dalle preferenze dell'investitore.

Visual abstract di EvoFolio, da:
Guarino, A, Santoro, D, Grilli, L, Zaccagnino, R, Balbi, M. EvoFolio: a portfolio optimization method based on multi-objective evolutionary algorithms. Neural Comput & Applic. 2024. doi: 10.1007/s00521-024-09456-w

GA-OMM

Rappresentazione dell'OMMP, da:
Sgarro, G.A., Grilli, L. & Santoro, D. (2024). Optimal multivariate mixture: a genetic algorithm approach. Annals of Operations Research, doi: 10.1007/s10479-024-06045-x

Il Problema della Miscela Multivariata Ottimale (OMMP) consiste nel trovare una miscela ottimale che, partendo da un insieme di elementi (items) descritti da un insieme di variabili, si avvicini il più possibile ad una soluzione ideale.
Per trovare la soluzione ottimale, è possibile utilizzare Algoritmi Genetici per questo specifico problema (GA-OMM). In questo caso, il GA è stato testato su un set di miscele di grani dai quali sono state richieste specifiche combinazioni di nutrienti.

Page updated

Report abuse