• apprendimento automatico
• econometria per i mercati finanziari
• financial econometrics
• finanza quantitativa
• HAR models
• heterogeneous models
• machine learning
• modelli eterogenei
• modelli HAR
• neural networks
• previsione della volatilità
• quantitative finance
• reti neurali
• volatility forecasting

Questa tesi esplora l'uso di metodi econometrici e di Machine Learning per la previsione della volatilità. In particolare, proponiamo un approccio eterogeneo per l'input di una rete neurale (NHAR) per ottenere una maggiore accuratezza di previsione rispetto a una tradizionale rete neurale autoregressiva con input omogeneo (NAR). Questo modello si ispira alla semplicità e all'efficacia di HAR-RV (Corsi, 2009) e vuole essere una soluzione alternativa e più moderna ai modelli econometrici classici, visto il crescente utilizzo di metodi di machine learning che vengono progressivamente utilizzati e perfezionati. In un primo esperimento, l'analisi empirica condotta mostra che l'eterogeneità della volatilità in ingresso a diversi orizzonti temporali permette alla rete di aumentare la sua capacità di generalizzazione e di migliorare le previsioni grazie al fatto che è in grado di sfruttare meglio la quantità di informazioni. Successivamente, in un confronto più ampio, sebbene entrambe le categorie di modelli presentino vantaggi e svantaggi, i risultati dell'analisi condotta mostrano una varietà di risultati da cui si ricava una discreta competitività delle reti neurali eterogenee semplici rispetto ai modelli econometrici, nonostante questi ultimi siano nella maggior parte dei casi più performanti soprattutto nelle previsioni a più passi.

This thesis explores the use of econometric and machine learning methods for volatility forecasting. In particular, we propose a heterogeneous approach for the input of a neural network (NHAR) to achieve higher prediction accuracy than a traditional autoregressive neural network with a homogeneous input (NAR). This model is inspired by the simplicity and effectiveness of HAR-RV (Corsi, 2009) and is intended to be an alternative and more modern solution to classical econometric models, given the increasing use of machine learning methods that are gradually being used and refined. In a first experiment, the empirical analysis conducted shows that heterogeneous volatility input at different time horizons allows the network to increase its ability to generalize and improve predictions due to the fact that it is able to make better use of the amount of information. Subsequently, in a larger comparison, although both categories of models have advantages and disadvantages, the results of the analysis conducted show a variety of results from which we derive a fair competitiveness of simple heterogeneous neural networks over econometric models, despite the fact that the latter are in most cases better performers especially in multi-step forecasting.