Modelli ibridi per la previsione finanziaria: Un approccio basato su CEEMDAN-XGBoost-LSTM

Questa tesi affronta il problema della previsione dei rendimenti finanziari tramite un approccio basato su decomposizione CEEMDAN e modellazione delle componenti con l'utilizzo di algoritmi di machine learning e deep learning. A tal fine sono state utilizzate quattro configurazioni: CEEMDAN-LSTM, CEEMDAN-XGBoost, CEEMDAN-XGBoost-LSTM con successiva estensione tramite un altra decomposizione della componente IMF1. La validazione dei modelli è stata condotta utilizzando le validazioni Training/Test Split e Time Series Split, considerando l'intero periodo dal 25/05/2010 al 25/05/2025 sugli indici FTSE MIB e S\&P 500 e sul titolo NVIDIA, includendo scenari critici come la pandemia da COVID-19 e il conflitto Russia-Ucraina. I risultati mostrano un miglioramento significativo delle previsioni: la combinazione tra XGBoost e LSTM ha permesso di sfruttare i punti di forza di entrambi i metodi fornendo previsioni più affidabili. L'ulteriore decomposizione sulla IMF1 ha permesso di isolare la componente più rumorosa, semplificandone la previsione e migliorando la performance totale. Persistono, tuttavia, difficoltà nella previsione di eventi improvvisi estremamente negativi o positivi.