L'utilizzo dell'intelligenza artificiale nelle scelte di Asset Allocation Tattica

Una volta definito il concetto di machine learning e come tale disciplina si articola, appare opportuno focalizzare l’attenzione in tal sede sull’argomento principale dell’elaborato, le cosiddette Artificial Neural Networks, ANN. Queste, come già citato in precedenza, rientrano tra gli algoritmi facenti parte della famiglia dell’apprendimento supervisionato, in quanto ciò che fanno è cercare di apprendere dai dati messi a disposizione una funzione che leghi gli input agli output, utile poi per fare previsioni o classificazioni.
Le reti neurali artificiali sono sostanzialmente dei modelli matematici la cui struttura è composta da neuroni artificiali volti a replicare le reti neurali biologiche umane. Lo scopo di queste strutture è quello di riprodurre nel modo più fedele possibile il funzionamento del cervello umano, al fine di risolvere problemi complessi in modo efficiente. Le reti neurali umane sono la sede della comprensione, e permettono all’uomo di fornire delle risposte adattive in base alla situazione e agli impulsi che vengono forniti.
Una rete biologica, infatti, riceve dei segnali o impulsi esterni, che nell’uomo vengono recepiti tramite i sensi grazie a complesse organizzazioni di cellule nervose, i quali vengono elaborati in informazione tramite una complessa struttura variabile di neuroni interconnessi tra di loro. Ogni neurone in particolare riceve in modo simultaneo segnali da molte sinapsi e, se questi segnali raggiungono la propria soglia di attivazione generano a loro volta un ulteriore impulso nervoso; allo stesso modo sono strutturate le ANN. Prima di passare all’analisi tecnica di queste complesse organizzazioni informatiche, appare opportuno ricalcare i passaggi chiave che hanno portano allo sviluppo di strutture così complesse in quanto anche in tal caso, sebbene si possa pensare che siano recenti, le radici di tale argomento sono ravvisabili intorno alla metà del secolo scorso. Il primo grande passo verso la nascita e lo sviluppo delle reti neurali artificiali si ha nel 1943, grazie ai due scienziati McCulloch e Pitts con il loro lavoro “A logical calculus of the ideas immanent in nervous activity”. I due autori cercano per la prima volta di modellare un neurone artificiale schematizzando un sistema lineare a soglie, con uno strato di input composto da dati binari multipli e quello di output a cui era associato un singolo dato binario in uscita.

Per comporre la rete prevedevano di combinare un numero opportuno di tali elementi e dimostrarono che un modello così strutturato riuscisse a compiere il calcolo di semplici operazioni booleane. Un vero e proprio punto di rottura in tale disciplina si ha però diversi anni dopo, in particolare nel 1958 quando Frank Rosenblatt, nel proprio libro “Psychological review”, introduce per la prima volta uno schema di rete neurale, chiamato Perceptron. Quest’ultimo era sostanzialmente una semplice rete neurale con uno strato di ingresso e uno di uscita ma la novità fondamentale risiede nella regola di apprendimento intermedia basata sull’algoritmo di minimizzazione degli errori, il quale può essere considerato come l’antenato degli algoritmi di retropropagazione utilizzati ancora oggi. Data una funzione di errore da minimizzare, tale algoritmo andava ad alterare i pesi delle connessioni tra i due strati per raggiungere l’obiettivo. Nonostante Perceptron può essere considerato l’antenato delle moderne ANN, e nonostante abbia provocato in ambito scientifico una corsa allo studio di tale disciplina, emersero nel corso del tempo molti problemi relativi a una struttura di questo tipo: una rete con due soli strati, infatti, risultava avere una potenza di calcolo non elevata, rendendola inadeguata per determinate tipologie di funzioni. L’ultimo grande passo in avanti si ha nel 1986, grazie a David Rumelhart, che introdusse un terzo strato delle reti neurali, che viene comunemente definito oggi come strato nascosto o hidden layer, identificando inoltre un modello di apprendimento fondamentale che viene utilizzato ancora oggi, ossia l’algoritmo di retropropagazione dell’errore per reti neurali multistrato, error backpropagation. Questa modalità di apprendimento ha come obiettivo quello di modificare i pesi delle connessioni tra i diversi neuroni nei vari strati in modo tale che la risposta fornita dalla rete si avvicini il più possibile all’output desiderato. Questo algoritmo caratterizza ancora oggi le reti neurali anche se attualmente ne esistono diverse varianti che vanno ad apportare modifiche ai pesi delle connessioni in modo differente tra loro, sempre con il fine ultimo di minimizzare una data funzione di errore.

Una volta introdotto l’argomento delle reti neurali, e descritto attraverso i più importanti cenni storici come si è arrivati alla disciplina odierna, il passo successivo è quello di fare una descrizione analitica della struttura. Gli ambiti di applicazione sono molteplici, e ognuno comporta strutture e proprietà differenti tra loro, per tale motivo effettuare una descrizione univoca delle caratteristiche intrinseche delle reti risulta essere difficile. Nel prosieguo quindi, verrà posta particolare attenzione alla struttura di una rete neurale artificiale feedforward, ossia una in cui le informazioni viaggiano in una sola direzione, in avanti, rispetto ai nodi di ingresso, finalizzata alla previsione di una variabile continua, evidenziandone le principali caratteristiche e proprietà, con il fine ultimo di fornire al lettore una conoscenza adeguata ad affrontare l’ultima parte dell’elaborato, nella quale verrà descritta la struttura scelta per la realizzazione e l’addestramento della rete per la previsione di serie storiche finanziarie.