ETD

• Analisi di bilancio
• Analisi statistica
• Bilancio d’esercizio
• Financial ratios
• Financial statement analysis
• Forecasting
• Forecasting models
• Modelli Arima
• Modelli di previsione
• Pianificazione finanziaria
• Predictive models
• Serie storiche
• Time series analysis

This thesis examines the application of statistical forecasting models to corporate financial analysis, focusing on the El.En. S.p.A. Group. The aim of the study is to evaluate the ability of different quantitative methodologies to predict the future evolution of financial ratios through the analysis of semi-annual time series covering the period 2014-2024. After introducing the theoretical framework of financial statements and financial ratios, the research analyzes the main forecasting techniques used in time series analysis, including classical decomposition, the Holt-Winters method, and ARIMA/SARIMA models. The empirical analysis compares the forecasting performance of the different models through specific statistical error metrics. The results show that no forecasting methodology is universally superior, since predictive effectiveness depends on the characteristics of the analyzed indicator and on the quality of the available information base.

La presente tesi analizza l’applicazione dei modelli statistici previsionali all’analisi economico-finanziaria d’impresa, con particolare riferimento al Gruppo El.En. S.p.A.. L’obiettivo dello studio è valutare la capacità di differenti metodologie quantitative di prevedere l’evoluzione futura degli indicatori di bilancio attraverso l’analisi di serie storiche semestrali relative al periodo 2014-2024. Dopo un inquadramento teorico sul bilancio d’esercizio e sugli indicatori economico-finanziari, la ricerca approfondisce i principali modelli previsionali utilizzati nell’analisi delle serie storiche: scomposizione classica, metodo Holt-Winters e modelli ARIMA/SARIMA. L’analisi empirica confronta le performance previsionali dei diversi modelli attraverso specifiche metriche statistiche di errore. I risultati evidenziano come non esista un modello universalmente migliore, ma come l’efficacia previsionale dipenda dalla struttura dell’indicatore analizzato e dalla qualità della base informativa utilizzata.