Three Essays on Machine Learning Applications in Finance

I mercati finanziari hanno compiuto notevoli progressi negli ultimi anni, e i metodi convenzionali spesso non riescono ad affrontare efficacemente diversi problemi finanziari, quali la gestione del portafoglio, i sistemi di trading e la previsione dei movimenti dei prezzi azionari. Questa tesi valuta tre applicazioni indipendenti ma interconnesse dell'apprendimento automatico in ambito finanziario per esplorarne il potenziale nel risolvere varie problematiche nei contesti menzionati. Il primo studio esamina la capacità degli algoritmi di apprendimento per rinforzo (RL) di superare il benchmark nella gestione dinamica di un portafoglio composto da due titoli azionari, in una varietà di condizioni di mercato. Il secondo studio indaga la previsione dei movimenti dei prezzi azionari attraverso l'analisi del sentiment degli investitori, derivato mediante tecniche avanzate di elaborazione del linguaggio naturale (NLP), con una particolare attenzione ai mercati emergenti. Infine, il terzo studio propone un framework basato su deep RL che integra il sentiment di mercato e le caratteristiche di classificazione delle azioni, mostrando miglioramenti significativi nelle prestazioni di gestione del portafoglio.

Financial markets have advanced significantly over recent years, and conventional methods frequently fail to address various financial problems effectively, such as portfolio management, trading systems, and stock price movement prediction. This thesis assesses three independent yet interrelated applications of machine learning in finance to discover its potential to address various difficulties in the mentioned problems. The first essay investigates the ability of RL algorithms to outperform the benchmark in the dynamic management of a two-stock portfolio under a variety of market conditions. The second essay investigates stock price movement prediction by analyzing investor sentiment derived using advanced NLP techniques, with a particular focus on developing markets. Finally, the third essay proposes a deep RL framework that integrates market sentiment and stock-ranking features, showing significant improvements in portfolio management performance.