TUTORIAL DATA SCIENCE

In questo articolo descriviamo il concetto di clustering non supervisionato . Nella finanza quantitativa, è estremamente utile trovare gruppi di asset simili o regimi nelle serie di prezzi  degli asset. Può aiutare nello sviluppo di filtri o regole di ingresso e uscita. Questo aiuta a migliorare la redditività per determinate strategie di trading. Il clustering […]

In un precedente articolo è stato introdotto l’albero decisionale (DT) come metodo di apprendimento supervisionato. Nell’articolo abbiamo definito che la vera potenzialità dei Decision Tree è la loro capacità di funzionare estremamente bene come predittori quando usati in un insieme statistico (statistical ensemble). In questo articolo descriviamo come la combinazione di più DT in un

Lo scopo di questa serie di articoli è quello di descrivere una tecnica molto familiare, la regressione lineare, in un contesto matematico più rigoroso sotto un’interpretazione probabilistica del machine learning. Questo permette di comprendere il quadro delle probabilità che verrà successivamente utilizzato per modelli di .apprendimento supervisionato più complessi, in un contesto più semplice. Iniziamo

Questo articolo descriveun metodo di machine learning statistico noto come Decision Tree. Gli alberi decisionali (DT) sono una tecnica di apprendimento supervisionato che stima/predice i valori delle risposte tramite l’apprendimento di regole decisionali derivate dalle feature. Possono essere utilizzati sia in un contesto di regressione che di classificazione. Per questo motivo sono talvolta indicati anche

In questo articolo introduciamo i concetti dell’apprendimento non supervisionato, una  delle più complesse metodologie del machine learning. L’apprendimento supervisionato prevede l’assunzione di una serie di osservazioni di dati, ognuna delle quali contiene una caratteristica (feature), o predittore, vettore, nonché  un output o una risposta associati. L’obiettivo dell’apprendimento supervisionato è cercare di prevedere l’output/risposta a partire

Una delle aree più problematiche del trading quantitativo è l’ottimizzazione di una strategia di previsione per migliorarne le prestazioni. I trader quantistici esperti sono ben consapevoli che è fin troppo facile generare una strategia con capacità predittive stellari durante un backtest. Tuttavia, alcuni backtest possono mascherare il pericolo di un modello overfit , che può portare

In questo articolo introduciamo uno dei problemi più importanti e delicati del machine learning, cioè la selezione del modello e il  compromesso bias-varianza . Quest’ultimo è uno dei problemi più cruciali nella realizzazione di redditizie strategie di trading basate su tecniche di machine learning. La selezione del modello si riferisce alla capacità di valutare le prestazioni di

Questo è il primo articolo di quella che diventerà una serie di tutorial relativi alla classificazione dei documenti in linguaggio naturale, al fine di realizzare l’analisi del sentiment e, in definitiva, un filtro per il trading automatico o per la generazione dei segnali. Questo specifico articolo descrive l’uso delle di Support Vector Machines (SVM) per

In questo articolo introduciamo una tecnica di machine learning estremamente potente nota come Support Vector Machine (SVM). È una delle migliori tecniche di classificazione supervisionate “fuori dagli schemi”. In quanto tale, è uno strumento importante sia per il ricercatore di trading quantitativo che per il data scientist. E’ molto importante per un ricercatore quantistico o