Volatility Forecasting: confronto tra modelli GARCH e architetture neurali

Questa tesi analizza il problema della previsione della volatilità finanziaria attraverso un confronto tra modelli econometrici classici e moderne architetture neurali. Dal lato econometrico, viene individuata la migliore specificazione all’interno della famiglia GARCH, confrontando i modelli GARCH, GJR-GARCH, EGARCH e APARCH con diverse distribuzioni dell’errore (Normal, Student-t, GED, Skew-t, Skew-GED). Dal lato neurale, l’analisi considera un insieme eterogeneo di architetture: MLP, LSTM, GRU, CNN-1D e N-BEATS. Per ciascuna rete viene eseguita una grid search sugli iperparametri principali, adottando procedure uniformi in termini di scaling, funzione obiettivo, ottimizzatore ed early stopping. L’analisi empirica è condotta su dati mensili costruiti a partire da prezzi giornalieri forniti da Bloomberg, relativi a serie storiche appartenenti a differenti classi di attivo. Le performance sono valutate tramite RMSE e MAE, sia in-sample che out-of-sample. I risultati evidenziano che le architetture neurali mostrano una maggiore capacità di modellare le dipendenze locali e non lineari della volatilità, ottenendo performance superiori rispetto ai modelli GARCH nelle previsioni fuori dal campione.