(In copertina: Eutimo di fronte a Pitia – immagine creata con Google Gemini)
L’articolo, ricco di approfondimenti teorici e pratici, sarà presentato in tre parti per offrire una trattazione completa e più facile da seguire. Nella prima parte, definiamo la metodologia per costruire un modello predittivo sul VIX. Nella seconda parte, addestriamo il modello e lo ottimizziamo. Nella terza parte, utilizziamo il modello prima per studiare quali sono le variabili che aiutano concretamente nella predizione del VIX, poi per saggiarne le reali capacità di predizione.
L’aria di Delfi era pregna non solo del profumo dei pini, ma anche di un’ansia palpabile, un’aspettativa che si attaccava alla pelle come la polvere del sentiero sacro. Un giovane mercante, Eutimo, con il cuore che batteva contro le costole come un tamburo impazzito, si avvicinava al Tempio di Apollo. Ogni passo era un misto di timore reverenziale e trepidante speranza. Aveva viaggiato per giorni, portando con sé non oro o merci preziose, ma la sua più grande incertezza: il destino del suo prossimo viaggio per mare. Il suo futuro, e forse la sua vita, dipendevano da quelle poche parole che avrebbe udito.
All’interno del tempio, l’atmosfera era densa, carica dell’incenso che bruciava lento e dei sussurri riverenti dei pellegrini. La Pitia, seduta sul tripode, emanava un’aura enigmatica. I suoi occhi sembravano guardare oltre il velo del presente, e dalle sue labbra le parole fluivano, non chiare e definite, ma frammenti, visioni, metafore avvolte in un manto di ambiguità. La sua ‘profezia’ per Eutimo fu una frase sibillina su “onde mutevoli e venti ingannevoli che solo la prudenza saprà domare”. Non una risposta, ma un enigma, un suggerimento così vago da poter essere interpretato in ogni modo, a seconda dell’esito finale. L’Oracolo di Delfi non offriva previsioni, ma piuttosto una tela su cui ogni individuo dipingeva il proprio destino, post-facto. Nonostante la sua fama, la sua vera forza non risiedeva nella capacità di leggere il futuro, ma nell’arte di guidare le persone attraverso l’incertezza, senza mai svelarla del tutto.
In un’epoca dominata dalla tecnologia, potremmo chiederci se la moderna Intelligenza Artificiale (IA) non sia diventata, ai nostri occhi, il nuovo Oracolo di Delfi. Percepiamo l’IA come una fonte inesauribile di risposte e previsioni accurate, capace di svelare relazioni nascoste e anticipare eventi futuri con una precisione quasi mistica. Ma la sua reputazione di infallibilità, alimentata dai successi in campi diversi, è giustificata anche nel complesso e spesso imprevedibile mondo della finanza? È davvero un oracolo infallibile, o le sue risposte, come quelle della Pitia, richiedono un’attenta interpretazione, mascherando talvolta una realtà meno predittiva?
Certamente, il connubio tra Finanza e Apprendimento Automatico è affascinante e di estrema attualità. Gli algoritmi di apprendimento automatico sono impiegati con successo per estrarre informazioni e strutture utili, cruciali per la creazione e la gestione del rischio dei portafogli d’investimento. Ne abbiamo avuto prova, ad esempio, nei nostri precedenti articoli sui modelli HRP e HERC, o nell’analisi dei sentimenti degli investitori, capace di quantificare e analizzare la finanza comportamentale.
Tutto questo entusiasmo si scontra, tuttavia, con due difficoltà significative: da un lato, la necessità di padroneggiare metodologie di statistica e intelligenza artificiale tutt’altro che banali; dall’altro, la natura intrinsecamente “poco amichevole” dei dati finanziari per gli algoritmi di apprendimento automatico, causato dalla marcata non stazionarietà delle serie storiche dei prezzi e dall’elevato rumore intrinseco. Non sorprende, quindi, che non esistano modelli universalmente capaci di prevedere con precisione i prezzi futuri degli strumenti finanziari, un fatto che allontana l’idea che l’intelligenza artificiale possa essere un moderno Oracolo di Delfi nel contesto dei mercati finanziari.
Tuttavia, oggi esploreremo come sia possibile costruire il proprio “oracolo”. Per raggiungere questo obiettivo, è fondamentale selezionare gli “ingredienti” giusti. La nostra attenzione si concentrerà sul VIX che, a differenza delle serie storiche dei prezzi, possiede caratteristiche particolarmente vantaggiose per gli algoritmi di apprendimento automatico, come il suo ben noto ritorno verso la media: dopo picchi in alto o ribassi più o meno lunghi, il VIX tende sempre a tornare verso un livello medio di lungo periodo, rendendolo un candidato decisamente più apprezzabile per i modelli predittivi basati sull’intelligenza artificiale.
VIX, L’indice della Paura
Nel mondo della finanza, pochi indicatori catturano l’attenzione degli investitori quanto il VIX, acronimo di Volatility Index. Conosciuto universalmente come l'”indice della paura“, il VIX non misura la direzione del mercato azionario, ma la “volatilità implicita” attesa per l’indice S&P 500 nei prossimi 30 giorni. La sua storia inizia nel 1993, quando il Chicago Board Options Exchange (CBOE) lo introdusse come misura della volatilità, derivata dai prezzi delle opzioni sull’S&P 100. Nel 2004, la sua metodologia venne raffinata, basandola sulle opzioni dell’S&P 500, rendendolo un indicatore ancora più rappresentativo dell’ampio mercato azionario statunitense.
Il suo soprannome di “indice della paura” deriva dalla sua tendenza a salire rapidamente e in modo significativo durante periodi di forte incertezza, turbolenza o panico nei mercati, mentre tende a rimanere su livelli più bassi e stabili in fasi di calma o rialzo. Poiché l’indice S&P 500 è un moderno faro di Alessandria per ogni navigatore dei mercati finanziari, il VIX è diventato un barometro fondamentale del sentiment degli investitori e delle aspettative di rischio.
Avere la capacità di prevedere l’andamento del VIX offre dunque notevoli opportunità. Una previsione accurata del VIX può fornire indicazioni preziose sul futuro comportamento dell’S&P 500 stesso: un VIX in forte aumento spesso precede o accompagna correzioni e ribassi dell’azionario, mentre un VIX stabile o in calo può segnalare un periodo di minore stress. Inoltre, per gli investitori più sofisticati, è possibile fare trading direttamente sul VIX, utilizzando strumenti finanziari derivati come i futures e le opzioni, permettendo di speculare sulla volatilità futura o di utilizzarla come strumento di copertura per proteggere un portafoglio azionario.
È fondamentale comprendere che il VIX non è un singolo valore, ma fa parte di un ecosistema di indici che si differenziano per la lunghezza dei contratti che prendono come riferimento. Essendo negoziabile tramite futures con scadenze diverse (da un mese a oltre un anno), non abbiamo a disposizione un solo indice VIX, ma una vera e propria curva dei futures VIX. Questa curva rivela informazioni cruciali sulla struttura temporale della volatilità attesa e sulla percezione del rischio nel breve e lungo termine. Le due configurazioni più comuni di questa curva sono il contango (quando i futures a scadenza più lontana sono a più alto valore di quelli a breve) e la backwardation (l’opposto, con i futures a breve con valori maggiori), ognuna delle quali segnala diverse aspettative di mercato sulla volatilità futura. Comprendere e prevedere l’andamento di questa curva nella sua interezza è un passo ulteriore verso una visione completa del rischio di mercato.
Metodologia: Costruire il Modello Predittivo sul VIX
Ora che abbiamo compreso cos’è il VIX e la sua rilevanza, è tempo di addentrarci nella metodologia che ci permetterà di costruire un modello predittivo affidabile sul VIX. Il nostro obiettivo è ambizioso: sviluppare un modello di apprendimento automatico capace di anticipare il valore futuro del VIX. Questo richiede una metodologia strutturata e rigorosa che sfrutti tutta la potenza dell’apprendimento automatico.
Orizzonte di Previsione e Approccio alla Classificazione
Il nostro obiettivo non è prevedere il valore esatto del VIX, ma la sua direzione futura su un orizzonte a medio termine. Nello specifico, il modello sarà progettato per classificare se il VIX sarà in crescita o in ribasso a 60 giorni dal momento della previsione. Questa scelta di un orizzonte temporale più ampio mira a catturare trend di volatilità più significativi, riducendo al contempo il “rumore” tipico delle previsioni a brevissimo termine. Utilizzeremo algoritmi di classificazione che forniscano anche una probabilità associata a ogni previsione, permettendoci di valutare la confidenza del modello nel segnale generato (es. 80% di probabilità di rialzo vs. 55%).
Ingegnerizzazione delle Caratteristiche: Gli “Ingredienti” del Modello
La qualità e la pertinenza delle caratteristiche (input) sono cruciali per il successo di qualsiasi modello. Per il nostro, ci siamo concentrati su una serie di dati opportunamente costruite:
- Dati Intrinseci del VIX: Abbiamo incluso i valori della curva dei futures VIX, ovvero VIX, VIX3M (3 mesi), VIX6M (6 mesi) e VIX1Y (1 anno). Questi dati non solo riflettono la volatilità implicita corrente, ma anche le aspettative del mercato su diverse scadenze.
- Caratteristiche di Momentum: Per catturare la dinamica e la forza dei movimenti, abbiamo costruito caratteristiche di Momentum, come la differenza percentuale dei valori della curva dei futures negli ultimi 60 giorni, per esempio (VIX – VIX60) / VIX.
- Caratteristiche di Forma della Curva: Per descrivere la configurazione della curva dei futures, abbiamo calcolato rapporti tra i diversi contratti, per esempio VIX / VIX3M, indicatori chiave di condizioni di contango e di backwardation.
- Dato Esogeno (SPY): Abbiamo incluso anche il rendimento dell’ETF SPY (che replica lo S&P 500) calcolato a 60 giorni, (SPY – SPY60) / SPY, per integrare un’informazione cruciale dal mercato azionario sottostante, noto per la sua relazione inversa con il VIX.
È importante sottolineare che la pertinenza di queste caratteristiche non è data per scontata. Ogni caratteristica sarà oggetto di un’attenta analisi per determinarne l’effettiva capacità predittiva.
Definizione delle Etichette: Filtraggio del “Rumore”
La definizione del “rialzo” e del “ribasso” del VIX, che formeranno le etichette per l’addestramento del modello, sarà cruciale per la riuscita del modello. Per evitare di introdurre rumore e per focalizzare l’algoritmo sui movimenti più significativi, non abbiamo semplicemente classificato ogni minima variazione. Al contrario, valuteremo diverse soglie di incremento/decremento percentuale e, seguendo un approccio consolidato, abbiamo escluso i campioni con variazioni modeste (prossime allo 0%). Questo filtro ci permette di concentrarci solo sui movimenti più “estremi”, accentuando le strutture che portano a incrementi o decrementi significativi del VIX. L’intuizione è che più dati non sempre equivalgono a più segnale; rimuovendo il “rumore di fondo” si può migliorare la capacità del modello di apprendere relazioni rilevanti.
Gestione del Dataset e Validazione Temporale
La robustezza di un modello predittivo, specialmente in finanza, dipende criticamente dalla gestione del dataset. Abbiamo diviso i dati su base temporale per prevenire il data leakage (ovvero l’inclusione di informazioni future nel training).
- Il dataset complessivo è stato diviso in due parti principali con un rapporto 80-20: un dataset di training-test (dal 04-2010 al 03-2022) e un dataset di validazione (dal 03-2022 al 03-2025). Questo assicura che il modello venga valutato su dati completamente “nuovi” e non visti durante lo sviluppo.
- Il dataset di training-test è stato ulteriormente gestito tramite un approccio Walk Forward (noto anche come Time Series Split), suddividendolo in 10 sezioni di pari lunghezza. Questa tecnica simula l’addestramento e la valutazione del modello in un contesto dinamico e temporale, essenziale per serie storiche. Su queste sezioni, gli algoritmi di addestramento automatico scelti sono stati addestrati e i loro suoi iperparametri sono stati ottimizzati per massimizzare la performance.
- Le metriche finali di performance, come l’F1-Score che vedremo nei prossimi paragrafi, sono state calcolate esclusivamente sul dataset di validazione, garantendo una valutazione imparziale e realistica della capacità previsionale del modello.
Raccolta Dati
I dati storici della curva del VIX sono stati raccolti gratuitamente dal sito della CBOE, mentre i dati di SPY provengono da Yahoo Finance. Questo approccio garantisce l’accessibilità e la riproducibilità della nostra analisi.
Ambiente di Lavoro
Per la realizzazione pratica, ci avvarremo di Python come linguaggio di programmazione, noto per la sua flessibilità e l’ampia gamma di librerie dedicate all’apprendimento automatico, e Jupyter Notebook come ambiente di sviluppo integrato (IDE), ideale per condurre analisi esplorative, sviluppare codice in modo iterativo e visualizzare i risultati in tempo reale.
La Potenza del Random Forest
Prima di addentrarci nei dettagli di come il nostro modello opera, è utile comprendere il principale algoritmo di apprendimento automatico che abbiamo utilizzato, un componente fondamentale per la riuscita del nostro progetto: l’Albero Decisionale.
Immaginate un albero decisionale come un semplice diagramma di flusso, intuitivo e trasparente. Partendo dalla “radice” (la prima decisione), il modello pone una serie di domande (basate sulle caratteristiche dei dati) e, a ogni risposta, segue un “ramo” specifico che lo conduce a un’altra domanda o, infine, a una “foglia”, che rappresenta la previsione o la classificazione finale. Ogni nodo dell’albero rappresenta una condizione su una caratteristica, e il percorso da un nodo radice a un nodo foglia rappresenta una regola di decisione.
Leggere un “tree plot” generato da librerie come Scikit-Learn è come seguire il percorso logico di queste decisioni. Ogni scatola (nodo) mostra la caratteristica su cui viene fatta una domanda, la soglia di divisione (ad esempio, se il VIX è maggiore o minore di un certo valore), il numero di osservazioni che passano per quel nodo e la distribuzione delle classi o il valore predetto. Muovendosi dall’alto verso il basso, si visualizza l’intero processo decisionale che porta il modello a una conclusione. La bellezza dell’albero decisionale risiede nella sua interpretabilità: è relativamente semplice capire perché una determinata previsione è stata fatta.
Tuttavia, un singolo albero decisionale, pur essendo interpretabile, può essere vulnerabile a piccoli cambiamenti nei dati e tende all’overfit, ovvero a imparare troppo a memoria il dataset di training, perdendo la capacità di generalizzare bene su nuovi dati. Qui entra in gioco la sua evoluzione più robusta e performante: il Random Forest.
Immaginate il Random Forest non come un singolo advisor finanziario, ma come un comitato di diversi esperti, ognuno con la propria prospettiva ed esperienza. Se dovessimo prevedere se i prezzi di un certo strumento saliranno o meno, o di quanto, non ci affideremmo a un’unica opinione. Chiederemmo il parere di più advisor.
Per garantire una varietà di prospettive e impedire che tutti convergano sulla stessa risposta, non forniremo a tutti gli advisor esattamente le stesse informazioni, né permetteremo loro di influenzarsi a vicenda in modo eccessivo. Ad alcuni daremo accesso solo a determinati dati storici, ad altri a specifici indicatori macroeconomici, ad altri ancora potremmo omettere notizie che potrebbero essere fuorvianti o persino false. Ogni advisor, così “specializzato”, elaborerà la propria previsione. Alla fine, aggregheremo tutte le loro risposte – magari votando per la maggioranza o facendo una media delle loro stime – per arrivare a una decisione complessiva molto più robusta e affidabile.
Questo è l’essenza del Random Forest. Definito in gergo metodo ensemble, ovvero un insieme di molti alberi decisionali individuali (il “forest“) che operano in modo indipendente. Ogni albero è addestrato su un sottoinsieme casuale (da qui il termine random) dei dati di addestramento e considera solo un sottoinsieme casuale delle caratteristiche a ogni punto decisionale. Questa “casualità” intenzionale riduce l’overfitting e aumenta la robustezza del modello, proprio come la diversificazione delle fonti e delle prospettive rende più solido il parere di un comitato di advisor.
Grazie alla sua versatilità, alla capacità di adattarsi ai più diversi dataset e alla sua intrinseca robustezza, il Random Forest è diventato uno degli algoritmi di apprendimento automatico più popolari e ampiamente utilizzati nell’ambito finanziario. Dalla previsione dei movimenti di mercato alla valutazione del rischio di credito, dalla rilevazione delle frodi all’ottimizzazione dei portafogli, la sua affidabilità lo rende uno strumento prezioso nelle mani di investitori e analisti.
Conclusioni
In questa prima parte dell’articolo, abbiamo definito la metodologia per costruire il nostro modello predittivo sul VIX. Nella prossima parte, costruiremo il nostro modello e lo affineremo per renderlo capace di prevedere il VIX.
Restate sintonizzati per la prossimo puntata!
Buon Investing!
Se hai domande o curiosità da chiedermi, non esitare a scrivermi nel modulo qui in basso, oppure mi trovi su Facebook e su LinkedIn. Se vuoi rimanere sempre aggiornato e non perderti nessun articolo appena esce, iscriviti alla newsletter compilando il seguente modulo:
Se apprezzi i miei articoli e il progetto MP Investit, puoi sostenermi con un contributo libero tramite PayPal. Questo mi motiva e mi incentiva a produrre contenuti sempre migliori. Grazie!
