Previsione del prezzo delle azioni di S&P con reti neurali LSTM e GRU

L’oggetto di questo lavoro di tesi è lo studio delle reti neurali di tipo LSTM e GRU, l’analisi effettuata prende in considerazione lo Standard & Poor’s 500 ovvero il più importante indice azionario americano, questo paniere contiene 500 titoli azionari di società quotate a New York, rappresentative dell’80% circa della capitalizzazione di mercato. Nel primo macroargomento tratto le reti neurali come strumento per l’analisi del mercato azionario. Affronto a livello teorico i concetti: previsione delle serie temporali, stazionarietà, correlazione, classificazione e discriminazione, approssimazione di funzioni e faccio una breve presentazione delle principali tipologie di apprendimento automatico. Nel secondo macroargomento analizzo la struttura delle principali reti neurali, facendo una breve introduzione sui neuroni artificiali, andando in seguito a descrivere le reti feed-forwarde le RNN. Successivamente porto alla luce il problema tipico da cui sono afflitte le reti neurali RNN e come tramite LSTM e GRU riusciamo in parte a risolverlo. In ultima analisi spiego brevemente i concetti di "overfitting" e "underfitting" andando ad presentare varie metodologie possibili per evitarli. Infine, nel terzo ed ultimo macroargomento effettuo l’analisi e le previsioni del prezzo di S&P 500 utilizzando le due tipologie di layers, LSTM e GRU.