Un'Introduzione al Trading Algoritmico

Questa tesi analizza e confronta due approcci differenti al trading algoritmico applicato a dati finanziari ad elevata frequenza: uno basato sull'analisi tecnica e l'altro su modelli statistici. Nello specifico, vengono implementati due algoritmi di backtesting per simulare strategie di acquisto e vendita di azioni sulla serie storica ad alta frequenza del titolo Nvidia (NVDA). Il primo metodo utilizza l'indicatore MACD, uno strumento di analisi tecnica basato sulle medie mobili esponenziali, mentre il secondo si basa su un modello di correzione degli errori vettoriale (VECM) per la previsione dei prezzi. L'analisi dei risultati mostra come l'algoritmo MACD non sia efficace nel trading ad elevata frequenza, generando un numero considerevole di operazioni in perdita e risultando in un rendimento netto negativo; al contrario, il modello VECM si dimostra più adatto, riuscendo a cogliere variazioni di prezzo con maggiore precisione e generando guadagni netti positivi in tutte le giornate di scambio analizzate. Inoltre, il confronto tra diverse frequenze di aggregazione dei dati evidenzia come l'uso di dati aggregati a un minuto massimizzi il rendimento rispetto ad altre scelte temporali. Infine, viene discussa la robustezza del modello VECM: questa ricerca suggerisce che, nel contesto dei dati ad alta frequenza, l'utilizzo di modelli statistici risulti più efficace rispetto agli indicatori tecnici tradizionali, fornendo una base solida per future applicazioni nel trading algoritmico, anche con implementazioni di tipo machine learning.