Previsione della realized volatility tramite metodi econometrici e modelli di machine learning

Bifulco, Pasquale (A.A. 2023/2024) Previsione della realized volatility tramite metodi econometrici e modelli di machine learning. Tesi di Laurea in Risk management and compliance, Luiss Guido Carli, relatore Giancarlo Mazzoni, pp. 94. [Master's Degree Thesis]

[img] PDF (Full text)
Restricted to Registered users only

Download (4MB) | Request a copy

Abstract/Index

Volatilità. Introduzione alla volatilità: definizione e quantificazione del rischio. Volatilità realizzata. Volatilità implicita. Fatti stilizzati ed evidenze empiriche sull’indice SP500. Modelli econometrici per la previsione della volatilità. Introduzione alla previsione della volatilità. Modello a media mobile esponenziale (EWMA). I modelli ARCH (AutoRegressive conditional heteroskedasticity) & GARCH (Generalized AutoRegressive conditional heteroskedasticity). Stima dei parametri: metodo della massima verosimiglianza. Modelli di machine learning per la previsione della volatilità. Introduzione al machine learning in finance. Muoversi oltre la linearità. Deep learning. Previsioni della realized volatilty: un’applicazione empirica sull’indice di mercato SP500. Descrizione dei dati. Metodologia. Modelli di machine learning. Confronto fra i diversi modelli. Valutazione dei risultati. Direzione future di ricerca: SHAP analysis.

References

Bibliografia: pp. 92-94.

Thesis Type: Master's Degree Thesis
Institution: Luiss Guido Carli
Degree Program: Master's Degree Programs > Master's Degree Program in Economics and Finance (LM-56)
Chair: Risk management and compliance
Thesis Supervisor: Mazzoni, Giancarlo
Thesis Co-Supervisor: Marchisio, Valerio
Academic Year: 2023/2024
Session: Extraordinary
Deposited by: Alessandro Perfetti
Date Deposited: 08 Jul 2025 13:08
Last Modified: 08 Jul 2025 13:08
URI: https://tesi.luiss.it/id/eprint/42807

Downloads

Downloads per month over past year

Repository Staff Only

View Item View Item