• closing stock prices
• comparative assessment
• prezzi di chiusura azionari
• Random Forest
• RF
• Support Vector Regression
• SVR
• valutazione comparativa

Questo elaborato permette di esplorare e confrontare i modelli Support Vector Regression (SVR) e Random Forest (RF) per la predizione su base giornaliera dei prezzi di chiusura di vari strumenti finanziari. In prima battuta viene offerta una panoramica generale su Machine Learning, esaminando i metodi di apprendimento e le tecniche fondamentali che ne costituiscono la base per l’implementazione. Successivamente si passa al cuore dell'analisi illustrando l'implementazione pratica del Support Vector Regression e del Random Forest con MATLAB, per la previsione dei prezzi azionari. Qui si descrive il processo di sviluppo e ottimizzazione di ciascun modello, mostrando come siano stati adattati e utilizzati per questo specifico problema. Particolare attenzione sarà dedicata ai risultati, poiché costituiscono il fulcro di questa ricerca. Inizialmente verrà effettuato un confronto approfondito tra i due algoritmi, analizzando le loro prestazioni e i tempi di calcolo su range temporali di diversa ampiezza, in modo da determinare quale dei due offre i risultati più promettenti. In ultima analisi il modello che si è rivelato più efficiente (Support Vector Regression) verrà applicato a diversi titoli e periodi storici particolarmente significativi. L’obiettivo è dimostrare le prestazioni dei modelli SVR e RF nella previsione quotidiana dei prezzi di chiusura degli strumenti finanziari. Questo permette di anticipare le fluttuazioni del mercato, anche durante fasi particolarmente critiche e congestionate.