For English, please translate
Sono stato autore di una tesi sulle società di calcio quotate e basai il mio sistema previsivo di trading utilizzando un frame settimanale, ovvero cercai di arrivare a stimare il prezzo di chiusura settimanale delle quotazioni di Juventus, Lazio e Roma dato il prezzo di chiusura del venerdì precedente e le informazioni intercorse durante la settimana (eventi societari, risultati calcistici, ecc.). I risultati furono molto buoni con fattori R2 di volatilità spiegata pari a 0,79 per Juventus (fino ad un minimo di 0,6).
Naturalmente l’analisi di allora fu molto accurata e fu sottoposta preliminarmente anche all’analisi statistica dell’associazione, cioè a test statistici su tabelle a doppia entrata per testare la bontà del tessuto qualitativo/causale prima di passare ad una fase maggiormente “quantitativa” (ovvero la regressione vera e propria). Non utilizzai questo sistema come trading semplicemente per la laboriosità: dovevo raccogliere le notizie, riparametrare i coefficienti beta e l’intercetta della regressione. Senza contare l’ineliminabile aletorietà dei risultati sportivi: meglio semplificare la previsione del trend con medie mobili o altri indicatori classici (comunque metodo ancora valido).
Ultimamente sto tornando sui miei passi.
Una regressione ad 1 variabile è una perdita di tempo; l’utilizzo di più variabili o di Dummy variables nella regressione può aiutare nel “curvare” la retta di regressione stessa che altrimenti, con un solo fattore, risulterebbe una retta che mal si adatterebbe a previsioni di dinamiche azionarie.
Ho scartato inoltre l’utilizzo di semplici indicatori, cosiddetti di “regressione”, già disponibili dalle piattaforme di trading, in quanto approssimazioni a maglie larghe dei veri valori (di fatto sono medie mobili poco reattive).
Non ho utilizzato, ancora una volta, i dati giornalieri perchè troppo variabili, ma mi sono fermato al frame settimanale, che meglio si adatta ad un’ottica di investimento di medio periodo. Ho scaricato i dati settimanali dal sito di www.Investing.com (quotazioni storiche / soltanto nella prima pagina).
Come azione ho scelto SARAS, scaricando i dati del Brent Oil (visto che Saras è una raffineria, ho pensato, in via spicciola, che i margini di profitto siano legati al prezzo della materia prima) e quelli dell’indice generale, FTSEMIB (in fondo il titolo azionario è correlato al mercato).
Ho inoltre calcolato, dato che tutti i prezzi hanno caratteristiche nel breve autoregressive, la media mobile a 10 periodi e soprattutto la sua differenza coi prezzi (dffma10). Ho riportato infine il valore “nudo e crudo” del valore di chiusura di 3 settimane fa (visto che i cicli sul Ftsemib sono di circa 2-3 settimane).
In altre parole ho testato un semplice sistema a 4 variabili dipendenti sul titolo Saras (altro che le 50 della mia tesi!!):
– differenza media mobile 10 periodi
– prezzo di 3 chiusure fa
– Ftsemib
– Brent Oil
I risultati? Davvero soddisfacenti viste le basi di partenza: ecco sotto le statistiche della regressione calcolate con Excel
R2 pari a 0,79 (l’autocorrelazione…aiuta!!)
test t di student validi per tutte le variabili.
Quindi?
Con un sistema molto semplice abbiamo un metodo previsivo che a differenza di altri strumenti di trading ha come suo forte il supporto della statistica “classica”. Quello che voglio dire è che inoltre con davvero poche variabili possiamo costruire sistemi statisticamente validi per praticamente ogni titolo azionario: se ci fosse una variabile completamente errata, questa sarebbe evidenziata dalle t di Student.
Nel frattempo, accettiamo la scommessa che Saras sarà in zona 1,80 venerdì: per il momento questa settimana gode di una certa forza relativa rispetto all’indice generale (oggi per es. +0,74% rispetto ad un indice pressochè piatto), dato che l’azione quota sotto al livello stimato di 1,80.
Forza relativa…causale?