Previsioni di serie storiche finanziarie tramite algoritmi di Intelligenza Artificiale

Financial time series analysis is a complex and crucial field, where the ability to predict market trends can make the difference between investment success and failure. Financial markets are influenced by multiple factors that are often difficult to understand and model. Over time, increasingly sophisticated approaches have been developed to address this challenge, ranging from traditional statistical models, such as AutoRegressive Integrated Moving Average (ARIMA) and Generalized AutoRegressive Conditional Heteroskedasticity (GARCH), to the introduction of Machine Learning and Deep Learning techniques, which offer new opportunities to discover hidden patterns in the data. This thesis aims to explore in detail the application of advanced Machine Learning and Deep Learning models in forecasting financial markets. In particular, models such as Random Forest and XGBoost are analyzed, along with more sophisticated techniques such as Long Short-Term Memory (LSTM) and Transformers. The main objective of the research is to examine how these methodologies can improve financial forecasting by comparing their performance in a practical and competitive context. By analyzing real data and evaluating the performance of the different approaches, the thesis not only examines how the models work, but focuses on how they can respond to the specific challenges of financial markets. The findings suggest that while many challenges remain, artificial intelligence has significant potential in improving forecasting and transforming financial forecasting methods, opening up new possibilities for research and practical application in this area.

L'analisi delle serie temporali finanziarie è un campo complesso e cruciale, dove la capacità di prevedere l’andamento dei mercati può fare la differenza tra il successo e il fallimento degli investimenti. I mercati finanziari sono influenzati da molteplici fattori, spesso difficili da comprendere e da modellare. Nel tempo, sono stati sviluppati approcci sempre più sofisticati per affrontare questa sfida, spaziando dai modelli statistici tradizionali, come l’AutoRegressive Integrated Moving Average (ARIMA) e il Generalized AutoRegressive Conditional Heteroskedasticity (GARCH), fino all’introduzione di tecniche di Machine Learning e Deep Learning, che offrono nuove opportunità per scoprire pattern nascosti nei dati. Questa tesi si propone di esplorare in dettaglio l'applicazione di modelli avanzati di Machine Learning e Deep Learning nella previsione dei mercati finanziari. In particolare, vengono analizzati modelli come Random Forest e XGBoost, insieme a tecniche più sofisticate come le Long Short-Term Memory (LSTM) e i Transformer. L’obiettivo principale della ricerca è esaminare come queste metodologie possano migliorare le previsioni finanziarie, confrontando le loro performance in un contesto pratico e competitivo. Attraverso l'analisi di dati reali e la valutazione delle performance dei diversi approcci, la tesi non si limita a esaminare come funzionano i modelli, ma si concentra su come essi possano rispondere alle sfide specifiche dei mercati finanziari. I risultati ottenuti suggeriscono che, pur restando molte sfide da affrontare, l’intelligenza artificiale ha un potenziale significativo nel miglioramento delle previsioni e nella trasformazione dei metodi di forecasting finanziario, aprendo nuove possibilità per la ricerca e l’applicazione pratica in questo settore.