Long Short-Term Memory model for asset price trend predictions

Stock price trend prediction aims to maximize investment profits by estimating future stock price tendencies. It is a challenging task due to the noisy and non-stationary nature of the stock market. In recent years, the rapid advancement of artificial intelligence and machine learning techniques, combined with the availability of large-scale data and increased computational power, has opened the door to developing sophisticated methods for predicting stock price and stock price tendencies. This dissertation aims to analyze the literature on the use of deep learning techniques in finance, specifically the application of long short-term memory (LSTM) networks for stock price prediction. Furthermore, it seeks to develop an LSTM network that can capture the underlying price patterns to predict the direction of a stock's return on the following day.

La previsione dei trend dei prezzi azionari mira a massimizzare i profitti degli investimenti stimando le future tendenze dei prezzi delle azioni. Si tratta di un compito impegnativo a causa della natura rumorosa e non stazionaria del mercato azionario. Negli ultimi anni il rapido avanzamento dell'intelligenza artificiale e delle tecniche di machine learning, insieme alla disponibilità di dati su larga scala e all'aumento della potenza di calcolo, ha permesso lo sviluppo di metodi sofisticati per la previsione dei prezzi e delle tendenze delle azioni. L'obiettivo di questa tesi è analizzare la letteratura sull'uso dei modelli deep learning in ambito finanziario, in particolare l’applicazione delle reti Long Short-Term Memory (LSTM) per la previsione dei prezzi azionari. Inoltre, mira a sviluppare una rete LSTM in grado di catturare i pattern sottostanti all'andamento dei prezzi per predire il segno del rendimento di un’azione nel giorno successivo.