Studio e applicazione di word embedding a serie temporali

Al giorno d'oggi, l'immensa mole di dati disponibile online grazie al continuo processo di digitalizzazione e la rapida crescita delle capacità dei moderni calcolatori ci permettono di generare nuova e preziosa conoscenza. L'obiettivo di questa tesi progettuale è quello di esplorare le potenzialità delle reti neurali, ed in particolare di quelle ricorrenti, nell'analizzare i dati storici di alcuni dei più famosi indici di borsa (quali NASDAQ, Dow Jones e Nikkei) per generare predizioni sul loro andamento futuro, sfruttando la moderna libreria di Keras per ambiti di deep learning. Verrà inoltre sperimentato un metodo alternativo di calcolo del trend di tali indici utilizzando i word embedding per la rappresentazione dei dati, trasformando i dati numerici reali in una rappresentazione vettoriale capace di coglierne similarità sintattiche e semantiche.