Marco Corazza, Professore Associato di Metodi Matematici dell’Economia e delle Scienze Attuariali e Finanziarie presso il Dipartimento di Economia dell’Università Ca’ Foscari Venezia, ci racconta come gli Alberi Decisionali, uno dei più utilizzati strumenti di classificazione dell’ambito del Machine Learning, stiano ampliando i campi applicativi in cui vengono adottati, arrivando a fornire indicazioni su come orientare i propri investimenti azionari.
In molte attività, al fine di prendere decisioni è spesso necessario riuscire a fare buone classificazioni. Ad esempio, gli istituti bancari vorrebbero sapere se un cliente che chiede un mutuo sarà in grado di restituirlo puntualmente oppure se avrà difficoltà a farlo. Gli amministratori pubblici devono decidere se destinare certe aree del territorio a parchi gioco oppure a parcheggi. Gli analisti finanziari si sforzano di distinguere le attività il cui valore futuro potrebbe aumentare da quelle per le quali invece potrebbe diminuire. Naturalmente, per produrre buone classificazioni, il professionista o l’amministratore di turno deve avere una profonda conoscenza dell’ambito in cui opera e deve saper utilizzare efficacemente le informazioni a disposizione. In altri termini, classificare è un’attività complessa. Pertanto, soprattutto nell’era dei cosiddetti Big Data, gli strumenti che possano aiutare il decisore nelle attività di classificazione sono benvenuti. (Attenzione: aiutare, non sostituire!)
Nella letteratura scientifica, sono state proposte e continuano a essere proposte molte tipologie di tali strumenti. In particolare, recentemente si sono messi in evidenza per la loro efficacia strumenti per la classificazione basati sul cosiddetto Apprendimento Automatico, anche noto come Machine Learning. In termini qualitativi, e semplificando un po’, con “Apprendimento Automatico” si intende un’ampia famiglia di metodi che si ispirano a come gli esseri viventi superiori e la Natura “producono” processi intelligenti.
Gli Alberi Decisionali sono uno di questi metodi intelligenti per la classificazione. Sempre in termini qualitativi, un Albero Decisionale è uno strumento che, applicando tecniche di Apprendimento Automatico ad un insieme iniziale di dati provenienti dagli oggetti che si vogliono classificare, è in grado di effettuare autonomamente una classificazione di questi stessi oggetti. In particolare, un Albero Decisionale è capace di estrarre dai dati regole del tipo:
SE le variabili considerate assumono certi valori
ALLORA si deve intraprendere una data azione
ALTRIMENTI se ne deve intraprendere un’altra.
Questi metodi vengono indicati con il termine “Albero” perché la loro rappresentazione grafica ricorda quello di un albero che si dirama dall’alto verso il basso, cioè a chioma in giù, come ad esempio avviene per gli alberi genealogici. Si parte da una “radice”, che rappresenta la regola di partenza estratta dai dati. Da questa radice generalmente dipartono verso il basso due rami, a seconda che si sia intrapresa la via dell’ALLORA oppure quella dell’ALTRIMENTI. Al termine di ognuno di questi due rami “fiorisce” una nuova regola, sempre estratta dai dati, dalla quale possono dipartire altri due rami e via proseguendo. Ciascuno dei sotto-alberi che si sviluppano sotto la radice termina in una “foglia”, cioè in un’affermazione che specifica come classificare l’oggetto che, partendo proprio dalla radice e seguendo tutte le vie incontrate dell’ALLORA oppure dell’ALTRIMENTI, è giunto fino a lì.
Recentemente, nella letteratura scientifica internazionale sono stati pubblicati più studi in cui sono stati proposti ed applicati sistemi automatici basati sugli Alberi Decisionali per classificare titoli azionari ed indici finanziari tra quelli il cui prezzo futuro potrebbe aumentare (rialzo) e quelli per i quali potrebbe diminuire (ribasso). In calce a questa nota si riportano un paio di interessanti riferimenti bibliografici. L’insieme iniziale dei dati utilizzati è relativamente “semplice”: prezzi (di chiusura, di apertura e via dicendo), volumi ed alcuni indici di Analisi Tecnica, tutte quantità relative alle varie azioni considerate. Nonostante tale semplicità, la capacità di questo sistema automatico di classificare correttamente i rialzi/ribassi futuri dei corsi azionari, e quindi di prevederne la direzione, è decisamente buona. Ovviamente, trattandosi di applicazioni recenti, esse necessitano di ulteriori conferme ed approfondimenti. E se qualche lettore, incuriosito da questa nota, intendesse investire in Borsa utilizzando qualche strategia basata sugli Alberi Decisionali, beh, si ricordi dell’autore di questo pezzo.
Marco Corazza [corazza@unive.it]
Riferimenti bibliografici
• Basak, S., Kar, S., Saha, S., Khaidem, L., Roy Dey, S. (2019). Predicting the direction of stock market prices using tree-based classifiers. North American Journal of Economics and Finance, 47, 552–567.
• Fiévet, L., Sornette, D. (2018). Decision trees unearth return sign predictability in the S&P 500, Quantitative Finance, 18, 1797-1814.
