curata, strumento di telemedicina utilizzato e metodo di misurazione delle performance proposto. Inoltre, viste le pubblicazioni solo in campo medico, sicuramente c’è necessità di estendere lo studio anche in ambito statistico e manageriale. Si è capito quindi che, nonostante la ormai capillare diffusione del fenomeno, la sua valutazione è ancora allo stato iniziale e quindi risultano essenziali approfondimenti di tipo multidisciplinare. Nonostante gli indiscussi impatti negativi a livello sanitario, sociale ed economico che il Covid-19 ha portato con sé, è bello poter affermare che è riuscito sicuramente a dar vita ad un circolo virtuoso come quello della telemedicina, che oltre a ridurre i costi di gestione aumenta la qualità di vita dei pazienti, diminuisce spesso i tempi di ospedalizzazione, rende più diffusa e capillare l’assistenza sanitaria, riduce l’impatto ambientale e ha dato la spinta verso la tanto necessaria innovazione di un sistema sanitario che, seppur in affanno, si dimostra capace di stare al passo con i tempi. Questo però è stato solo il principio di un progetto ampio, che mi vede impegnata assieme ad un gruppo di ricerca nell’approfondimento e nell’applicazione pratica di questi risultati a casi pratici in ambito sanitario. È già stato tra l’altro prodotto un paper che è ora al vaglio di una nota rivista nazionale.
30
Ringrazio quindi l’università e i docenti che mi hanno permesso di approfondire quello che è il mondo dell’accademia, in particolare il Professor Carlo Drago che mi ha sostenuto e stimolato sempre con entusiasmo, ed è anche a lui che devo i miei successi. Helena Biancuzzi
Luca Moro, mi sono diplomato presso l’Istituto Tecnico Industriale indirizzo informatico, proseguo gli studi iscrivendomi al corso di Laurea in Ingegneria Informatica ed Automatica presso La Sapienza. Durante il periodo universitario vengo contattato da un’azienda di informatica per fare uno stage parallelo allo studio. Finito lo stage mi viene fatta una proposta di lavoro che accetto volentieri, penso di riuscire a studiare e lavorare al contempo ma non è possibile. Abbandono gli studi presso La Sapienza e mi trasferisco presso l’Unicusano che grazie alla sua piattaforma e-learning mi permette di lavorare e studiare. Nel momento in cui devo scegliere l’argomento di tesi sono abbastanza indeciso. È il Professor Carlo Drago che riesce a trovare la perfetta unione tra le mie competenze informatiche ed economiche, e mi propone di svolgere una tesi che abbraccia Data science, Informatica ed Economia. Da qui nasce il progetto di tesi che consiste nell’utilizzare il machine learning per svolgere l’analisi tecnica dei mercati finanziari e automatizzare le operazioni di mercato tramite intelligenti algoritmi di trading. In primo luogo sono state studiate le serie storiche che rappresentano le informazioni base da cui dover partire per l’analisi. Per effettuare l’analisi delle serie storiche sono state utilizzate alcune librerie
Python come statsmodel per calcolare una Media Mobile Semplice (SMA) o una Media Mobile Ponderata Esponenziale (EWM). Successivamente siamo passati allo studio e all’analisi di serie storiche con modelli a Media Mobile Autoregressivo Integrato (ARIMA), modelli utilizzati principalmente quando, in alcuni casi, i dati mostrano evidenza di non stazionarietà. Lo studio ha portato alla conclusione che questo modello predittivo non è adatto alle serie temporali di carattere finanziario utili per la predizione dell’andamento del valore azionario, e siamo quindi passati allo studio e all’utilizzo delle reti neurali LSTM. Utilizzare i modelli long short-term memory, cioè una rete neurale con memoria a lungo-breve termine progettata per modellare le sequenze temporali e le loro dipendenze a lungo raggio, ci ha permesso di ottenere dati molto accurati con risultati di previsione davvero soddisfacenti. Per i test sono stati presi ed analizzati i dataset di S&P 500 scegliendo la Apple come caso di studio; l’obiettivo è stato quello di prevedere il prezzo azionario dell’azienda nel futuro prossimo. La rete neurale è stata addestrata utilizzando i dati dell’intera serie storica del valore azionario di Apple contenente i dati degli anni precedenti. Terminata
la
parte
di
analisi
finanziaria con il Machine Learning, l’idea è stata quella di utilizzare i risultati di previsione ottenuti dalle reti neurali LSTM come segnali per acquistare o vendere in un mercato azionario e non nel classico modo (cioè utilizzando una piattaforma di trading), ma scrivendo algoritmi in Python che riuscissero ad aprire a chiudere posizioni in modo del tutto automatizzato, seguendo i segnali di previsione. Il caso di studio nello specifico è stato quello di seguire una strategia di pairs trading: questa si presenta per definizione una strategia di trading di un mercato neutrale che abbina una posizione long (acquisto) ad una posizione short (vendita) in una coppia di stumenti finanziari altamente correlati, per esempio due titoli azionari, due fondi quotati (ETF), due valute, merci o opzioni. Per individuare quali coppie potessero fare al caso nostro abbiamo utilizzato tecniche di Machine Learning: una volta individuata la coppia, l’obiettivo finale è stato quello di riuscire a trarre profitto grazie ad un algoritmo di negoziazione da noi elaborato il cui codice è l’implementazione della strategia del pairs trading. Ho sintetizzato in questo articolo quanto fatto, ma c’è molto di più dietro all’elaborato proposto e portato avanti insieme al Prof. Carlo Drago. Lo ringrazio nuovamente per avermi dato la possibilità di aumentare le mie conoscenze, scoprire il data science e avermi fatto appassionare ancora di più ai mercati finanziari che continuo a studiare e sui quali faccio pratica attraverso il trading. Luca Moro
31
