Forecasting delle serie storiche: evoluzione dei metodi e confronto tra approcci statistici, machine learning e deep learning

Prevedere l'andamento futuro di una grandezza osservata nel tempo è un problema che si presenta ogni volta che va presa una decisione prima di conoscerne le conseguenze: quanta energia acquistare, quante scorte tenere, quanto personale pianificare. Questa tesi ricostruisce, in forma di rassegna critica, l'evoluzione dei metodi di forecasting delle serie storiche attraverso tre famiglie: i modelli statistici classici (smorzamento esponenziale, ARIMA e SARIMA), gli algoritmi di machine learning (regressione regolarizzata, alberi, gradient boosting e modelli ibridi) e le architetture di deep learning (reti ricorrenti, LSTM, Transformer), fino ai foundation model più recenti. Di ciascuna famiglia sono presentate l'equazione che definisce i modelli principali e le ipotesi che essi pongono sui dati. Il cuore del lavoro è il confronto fra le tre famiglie, condotto lungo quattro criteri (accuratezza, interpretabilità, requisiti sui dati e costo computazionale) e appoggiato all'evidenza empirica disponibile. Ne emerge che nessuna famiglia è preferibile in astratto: a determinare quale sia appropriata è il regime dei dati (quante serie disponibili, quanto lunghe, quanto confrontabili fra loro e quali variabili esterne sono note anche per il futuro), più della sofisticazione o della novità del metodo. Il progresso dei metodi predittivi appare quindi come un'espansione del dominio dei problemi affrontabili più che una successione in cui ogni famiglia rende obsoleta la precedente.