Riassunto analitico
Con il termine sentiment, associato rispettivamente a un particolare asset o a un mercato, si indica quella caratteristica che sposta i prezzi, rispettivamente dell’asset stesso o degli asset scambiati in quel determinato mercato, dai loro fondamentali. La ricerca negli ultimi decenni si è concentrata a cercare di associargli un valore quantitativo permettendo di ottenere i cosiddetti indici di investor sentiment; inoltre l’enorme mole di dati a disposizione ha permesso l’utilizzo di strumenti di machine-learning per costruirli o per misurarne la loro capacità predittiva. Attraverso questo, si è cercato di verificare se il sentiment possa essere in grado di gettare nuova luce su fenomeni finanziari già discussi in letteratura o di esplorarne di nuovi.
L'investor sentiment in letteratura viene classificato in base alla natura dei dati utilizzati per ottenerne un'indice o per identificarne la sua presenza all'interno di rendimenti (o di altre caratteristiche relative alle azioni o indici di mercato come la volatilità); in particolare sono 3 le tipologia di dati di riferimento:
- variabili di mercato e indici economici
-risultati di indagini
-informazioni fornite dai media
Ogni tipo di fonte di dati ha i propri vantaggi e svantaggi relativi alla frequenza, affidabilità o la capacità di non includere informazioni che poco hanno a che fare con la percezione degli investitori. Diversi studi relativi a ognuna delle categorie sopraelencati verranno presentati.
In particolare gli indici di investor sentiment sviluppati negli ultimi anni sono utilizzati in modelli di empirical asset pricing: questi cercano di individuare le differenze dei rendimenti attesi in eccesso di vari asset o si focalizzano sulle dinamiche dei premi al rischio per i mercati aggregati. Entrambi questi problemi dell’empirical asset pricing si possono tradurre in un problemi di predizione; i metodi di machine learning sono specializzati nelle predizioni e di conseguenza hanno trovato ampio utilizzo nell’ empirical asset pricing. Ci sono altri due aspetti che hanno reso le tecniche di machine learning particolarmente attrattive per questo campo. Il primo è la loro capacità di gestire un alto numero di predittori. Negli anni `e cresciuta esponenzialmente la mole di variabili che vari ricercatori hanno evidenziato poter avere potere predittivo sui rendimenti. Le tecniche classiche non sono in grado di gestirle simultaneamente, considerando inoltre che questi predittori possono essere altamente correlati. Al contrario le tecniche di machine learning, attraverso la selezione e riduzione di variabili, sono particolarmente adatte ad affrontare questo tipo di problema. Il secondo aspetto è dato dalla loro maggiore sensibilità a catturare forme funzionali, diverse da quelle lineari, rispetto ai metodi tradizionali. In particolare ci sono metodi di machine learning esplicitamente progettati per approssimare relazioni complesse tra le variabili. Nonostante questi potrebbero portare a comportamenti di overfitting da parte del modello, attraverso la penalizzazione dei parametri che li definiscono `e possibile evitare che ciò accada. In questa tesi ci si pone l’obiettivo di verificare se alcuni indicatori di sentiment abbiano potere predittivo sui rendimenti dei titoli attraverso varie tecniche di machine learning. Specificatamente l’oggetto di studio `e il mercato dell’euro area, infatti le predizioni verranno fatte sull’indice azionario EUROSTOXX50, che segue l’andamento delle principali aziende europee. Le variabili predittive sono indicatori di sentiment, alcuni ottenuti dai prezzi delle opzioni con sottostante l’indice stesso e altri ottenuti da dati macrofinanziari.
|
