Nei mercati finanziari sono presenti diversi indici relativi alla volatilità  dei mercati che a volte forniscono informazioni conflittuali riguardo l'andamento degli stessi. Gli investitori si trovano dunque a non aver un unico indice della misura di rischio di riferimento per determinare le proprie strategie d'investimento. Obiettivo di questo studio ਠanalizzare attraverso algoritmi di machine learning supervised l'andamento di tali indici cercando di coglierne le principali criticità . Per l'implementazione dello studio sono stati utilizzati 5 differenti algoritmi Fuzzy Rule-Based System con compiti di classificazione. I principali risultati mostrano come tali algoritmi non siano in grado di replicare in modo preciso l'andamento dei mercati a causa delle informazioni conflittuali presenti nei vari indici.

Algoritmi di machine learning e applicazione in campo finanziario

2019

Abstract

Nei mercati finanziari sono presenti diversi indici relativi alla volatilità  dei mercati che a volte forniscono informazioni conflittuali riguardo l'andamento degli stessi. Gli investitori si trovano dunque a non aver un unico indice della misura di rischio di riferimento per determinare le proprie strategie d'investimento. Obiettivo di questo studio ਠanalizzare attraverso algoritmi di machine learning supervised l'andamento di tali indici cercando di coglierne le principali criticità . Per l'implementazione dello studio sono stati utilizzati 5 differenti algoritmi Fuzzy Rule-Based System con compiti di classificazione. I principali risultati mostrano come tali algoritmi non siano in grado di replicare in modo preciso l'andamento dei mercati a causa delle informazioni conflittuali presenti nei vari indici.
2019
it
Dipartimento di Economia "Marco Biagi"
Università degli Studi di Modena e Reggio Emilia
File in questo prodotto:
File Dimensione Formato  
Tesi_StefanoLasagni.pdf

accesso solo da BNCF e BNCR

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati
Dimensione 1.61 MB
Formato Adobe PDF
1.61 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/306867
Il codice NBN di questa tesi è URN:NBN:IT:UNIMORE-306867