Metodo di previsione delle serie temporali fuzzy intuizionistiche a variabile singola con ordine misto basato su una nuova rete neurale artificiale e sull'algoritmo di ottimizzazione grey wolf

Perché questa idea di previsione conta per i dati di tutti i giorni

Dai prezzi delle criptovalute al costo per riempire il serbatoio o comprare oro, i numeri finanziari oscillano in modi difficili da prevedere. Questo studio introduce un nuovo modo di trasformare le curve di prezzo rumorose di ieri in stime migliori per domani, mescolando sfumature di dubbio simili a quelle umane con un tipo avanzato di rete neurale ispirata a come i segnali viaggiano attraverso i rami delle cellule nervose reali.

Gestire l'incertezza più come fanno le persone

La maggior parte degli strumenti di previsione tratta ogni punto dati come appartenente o non appartenente a un pattern, un po' come un interruttore acceso o spento. I metodi di serie temporali fuzzy ammorbidiscono questa visione e permettono ai dati di “aderire parzialmente” a più pattern contemporaneamente. L'approccio in questo articolo va oltre tracciando anche quanto un punto dati non si adatta a un pattern e quanta esitazione rimane nel mezzo. Questa descrizione più ricca, chiamata serie temporale fuzzy intuizionistica, consente al modello di rappresentare non solo l'accordo parziale ma anche il disaccordo esplicito e l'incertezza residua su dove appartenga realmente un valore.

Far apprendere insieme due punti di vista sui dati

Gli autori progettano un modello di previsione che tratta le informazioni di appartenenza e non-appartenenza come due viste parallele della stessa serie temporale. Innanzitutto, una procedura di clustering raggruppa i dati passati in regioni fuzzy e assegna a ogni punto tre punteggi: quanto appartiene, quanto non appartiene e quanto il modello è incerto. Questi punteggi, insieme ai valori passati grezzi, vengono quindi immessi in una rete neurale speciale. Una parte della rete si concentra sul lato dell'appartenenza, mentre un'altra si concentra sul lato della non-appartenenza. Ciascuna parte apprende le proprie relazioni interne e produce la propria previsione del valore successivo.

Una rete neurale modellata come neuroni ramificati

Invece di usare una rete stratificata standard, il metodo si basa su un modello di neurone dendritico che imita la struttura ramificata dei neuroni biologici. I segnali passano prima attraverso uno strato sinaptico, poi vengono moltiplicati lungo i rami dendritici, sommati in uno strato di membrana e infine trasformati in un'uscita nello strato soma. Nel progetto combinato proposto, ci sono percorsi dendritici separati per gli ingressi di appartenenza e non-appartenenza. Le loro uscite vengono quindi fuse usando un peso che il sistema apprende automaticamente. Questa struttura permette al modello di catturare interazioni complesse nei dati mantenendo comunque un'architettura complessiva compatta.

I lupi grigi regolano le tante manopole della rete

Addestrare una rete così dettagliata significa aggiustare molti pesi e soglie interne. Piuttosto che affidarsi al classico addestramento basato sul gradiente, che può rimanere intrappolato in soluzioni subottimali, gli autori adottano una strategia ispirata alla natura chiamata algoritmo di ottimizzazione grey wolf. Qui, “lupi” virtuali esplorano diverse impostazioni per i parametri della rete, guidati da una gerarchia che imita il comportamento di caccia dei branchi di lupi reali. Con il tempo, il branco converge su valori di parametri che minimizzano gli errori di previsione, compreso l'equilibrio cruciale tra i rami di appartenenza e non-appartenenza.

Previsioni migliori su serie finanziarie chiave

Il gruppo di ricerca testa il metodo su quattro serie temporali finanziarie note: Bitcoin, petrolio greggio, euro/dollaro USA e prezzi dell'oro. Dividono ciascun dataset in parti di addestramento, convalida e test, e confrontano il loro approccio con diversi modelli fuzzy e fuzzy intuizionistici ben noti. In questi casi, il nuovo metodo ottiene spesso l'errore di previsione medio più basso e, quando non si classifica primo, rimane comunque molto vicino al miglior concorrente. I risultati suggeriscono che consentire al modello di apprendere sia dall'accordo sia dal disaccordo rispetto a ogni pattern, all'interno di una rete in stile dendritico messa a punto dai lupi grigi, può fornire previsioni più accurate e stabili.

Cosa significa per gli strumenti di previsione futuri

In termini semplici, l'articolo mostra che trattare l'incertezza con maggiore attenzione e dotare una rete neurale di una struttura più ricca e ispirata alla biologia può migliorare le previsioni a breve termine per dati finanziari reali. L'approccio rimane focalizzato su una variabile alla volta, ma indica la strada verso sistemi di previsione che usano più sfumature di credenza e dubbio invece di una singola linea netta. Con ulteriori estensioni, idee simili potrebbero aiutare analisti e sistemi automatici a prendere decisioni più informate ovunque i dati temporali incerti svolgano un ruolo chiave.

Citazione: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

Parole chiave: previsione finanziaria, serie temporali fuzzy, reti neurali artificiali, ottimizzazione grey wolf, insiemi fuzzy intuizionistici