Premessa: Limiti delle previsioni

Le reti neurali rappresentano un valido strumento per analizzare e interpretare dati storici, consentendo di modellare e comprendere le tendenze presenti nel mercato azionario.
Tuttavia, è importante riconoscere che tali previsioni possono essere influenzate da una serie di fattori imprevedibili. Eventi geopolitici, crisi finanziarie o problematiche interne aziendali, come cambiamenti nel management o problemi tecnici, possono causare improvvisi e significativi cambiamenti nei valori delle azioni, sfidando la capacità predittiva delle reti neurali.
Le reti neurali, infatti, si basano sull'analisi dei dati storici per fare previsioni future.
Eventi eccezionali o imprevisti, tuttavia, possono non essere correlati a modelli o dati storici esistenti, ma piuttosto essere il risultato di circostanze uniche o di fattori completamente nuovi, rendendo difficile la previsione di tali eventi mediante modelli basati su dati passati.
È quindi fondamentale sottolineare che, nonostante il potenziale delle reti neurali nel fornire strumenti analitici utili per comprendere il comportamento storico e presente delle azioni, queste non sono in grado di prevedere con precisione eventi imprevedibili o eccezionali.
Pertanto, l'analisi basata sulle reti neurali deve essere integrata con una comprensione approfondita del contesto e con un costante monitoraggio degli eventi esterni che possono influenzare i mercati finanziari. La previsione delle azioni rimane una sfida complessa, che richiede una combinazione di analisi storica, intuizione e attenzione ai fattori esterni che possono impattare sulle decisioni di investimento.

Le reti neurali sono comunque uno strumento potente, che pero' va integrato con analisi puntuali, sulla situazione aziendale e esterna

Analisi della performance del medello

• Termine addestramento: 30 Epoche

• loss: 0.0067

• val_loss: 0.0061

• lr: 0.0010

Commenti ai risultati

• Termine addestramento: 30 Epoche
  Le 30 epoche di addestramento sono state raggiunte grazie all'utilizzo di due callback: l'early stopping e la riduzione del tasso di apprendimento.
  Queste callback controllano l'andamento della perdita sui dati di validazione durante l'addestramento e intervengono per prevenire l'overfitting e migliorare la stabilità del processo.
  Pertanto, nonostante l'addestramento sia durato 30 epoche, la presenza di queste callback ha garantito che il modello fosse addestrato in modo controllato e ottimale per evitare problemi come l'overfitting.


• loss: 0.0067:
  Il valore della "loss" (o perdita) rappresenta l'errore medio del modello sui dati di addestramento durante l'ultima epoca di addestramento.
  Una perdita più bassa indica una migliore adattabilità del modello ai dati di addestramento.
  In questo caso, una perdita di 0.0067 indica che il modello ha ottenuto una buona adattabilità ai dati di addestramento.
• val_loss: 0.0061:
  Questo rappresenta la perdita media del modello sui dati di validazione durante l'ultima epoca di addestramento.
  La perdita sui dati di validazione fornisce una stima dell'errore del modello sui dati non visti durante l'addestramento.
  Una val_loss simile o inferiore rispetto alla loss di addestramento indica che il modello generalizza bene sui dati non visti.

In sintesi, i risultati indicano che il modello ha ottenuto una bassa perdita sia sui dati di addestramento che sui dati di validazione dopo 30 epoche di addestramento.
Questo indica che il modello si sta adattando bene ai dati e generalizza bene su dati previsit.
Il tasso di apprendimento di 0.001 indica un addestramento stabile e controllato.