Studio Comparativo di Modelli Avanzati per la Predizione del Rendimento di Titoli Azionari

Negli ultimi anni, l’evoluzione dei modelli di intelligenza artificiale ha profondamente influenzato il campo dell’analisi quantitativa e della previsione dei mercati finanziari. Questa tesi analizza e confronta diversi approcci di machine learning applicati alla previsione dei rendimenti azionari, con particolare attenzione ai modelli di nuova generazione basati su architetture Transformer e Large Language Models (LLM). Lo studio prende in esame quattro modelli principali: XGBoost, LSTM, MASTER e ChronosX. I primi due rappresentano metodologie consolidate nella letteratura, mentre i secondi due incarnano approcci innovativi che mirano a sfruttare le più recenti evoluzioni dell’intelligenza artificiale. Tutti i modelli sono stati addestrati e valutati su quattro dataset costruiti a partire da indici di riferimento internazionali, al fine di analizzare la loro capacità di generalizzazione su mercati con caratteristiche strutturali e comportamentali differenti. I risultati sperimentali evidenziano come, in generale, i modelli di intelligenza artificiale incontrino difficoltà nel catturare la complessità e la dinamicità del mercato azionario. Tuttavia, il modello MASTER ha mostrato le migliori prestazioni complessive, distinguendosi per costanza e affidabilità su tutti i dataset analizzati. I modelli XGBoost e LSTM si sono dimostrati efficaci solo parzialmente, con risultati fortemente dipendenti dai dati di input. Al contrario, i modelli della famiglia ChronosX, basati su LLM, non hanno raggiunto risultati soddisfacenti, evidenziando la necessità di ulteriori sviluppi teorici e sperimentali.