Vandlorek
Qui esploro come gli algoritmi di apprendimento automatico stanno cambiando il modo in cui analizziamo i portafogli finanziari. Ogni articolo parte da un problema reale che ho incontrato lavorando con dati di mercato e cluster analysis. Non troverai promesse di rendimenti garantiti, ma tecniche concrete che funzionano quando vuoi capire davvero cosa sta succedendo dentro un portafoglio complesso.
Analisi recenti su algoritmi, dataset e approcci metodologici nell'analisi quantitativa.
Un portfolio di 47 titoli azionari produceva sempre gli stessi raggruppamenti banali. La soluzione è arrivata cambiando metrica di distanza e preprocessamento.
Raggruppare 80 ETF per diversificare il portfolio sembrava semplice con hierarchical clustering. I risultati erano instabili e cambiavano ogni settimana.
Clustering di 120 bond corporate per scadenza e rating produceva risultati caotici. Il problema era costruire la giusta matrice di affinità tra gli strumenti.
Dal 2021 documento gli esperimenti che faccio applicando algoritmi di clustering ai dati finanziari. Non è un corso, non è un servizio di consulenza. È semplicemente un posto dove condivido cosa funziona, cosa fallisce e perché certi approcci producono risultati migliori di altri quando si lavora con portafogli multi-asset. Se cerchi teorie astratte o ricette magiche, questo non è il posto giusto. Se invece vuoi vedere come si comportano K-means, DBSCAN o hierarchical clustering su dati reali di mercato, probabilmente troverai qualcosa di utile.
Un'analisi pratica su 500 asset per individuare outlier senza parametri arbitrari.
Test su 12 portafogli diversi con metriche di validazione quantitative.
Normalizzazione, scaling e feature engineering applicati a serie temporali finanziarie.
Silhouette, Davies-Bouldin e Calinski-Harabasz applicati a cluster finanziari.
Ogni volta che pubblico un nuovo articolo o esperimento, ricevi una notifica diretta. Niente newsletter settimanali piene di contenuti generici, solo gli aggiornamenti concreti quando c'è davvero qualcosa di nuovo da leggere.
Dal primo articolo pubblicato nel 2021, ho documentato decine di esperimenti su clustering e portfolio analysis. Le aree che hanno ricevuto più attenzione sono quelle dove ho trovato i risultati più interessanti da condividere.
Analisi dettagliate di algoritmi, metodologie e casi studio reali applicati a portafogli finanziari.
Sintesi di paper accademici con focus su applicabilità pratica e riproducibilità dei risultati.
Serie storiche di mercato utilizzate per testare e validare diversi approcci di clustering.