La misurazione e la previsione della volatilità e del rischio degli investimenti sono problematiche centrali nei mercati finanziari. Questo elaborato propone lo sviluppo e la valutazione di un approccio ibrido per la previsione della volatilità, combinando i tradizionali modelli econometrici per le serie storiche (appartenenti alla famiglia GARCH) con tecniche avanzate di deep learning, nello specifico, tramite reti neurali Gated Recurrent Unit (GRU), testate in combinazione con quattro diverse specificazioni della varianza condizionata: GARCH standard, EGARCH, GJR-GARCH e APARCH.
Previsione della Volatilità: Un Approccio Ibrido tra Modelli GARCH e Reti Neurali GRU.
POLENTA, DANIELE
2025/2026
Abstract
La misurazione e la previsione della volatilità e del rischio degli investimenti sono problematiche centrali nei mercati finanziari. Questo elaborato propone lo sviluppo e la valutazione di un approccio ibrido per la previsione della volatilità, combinando i tradizionali modelli econometrici per le serie storiche (appartenenti alla famiglia GARCH) con tecniche avanzate di deep learning, nello specifico, tramite reti neurali Gated Recurrent Unit (GRU), testate in combinazione con quattro diverse specificazioni della varianza condizionata: GARCH standard, EGARCH, GJR-GARCH e APARCH.File in questo prodotto:
| File | Dimensione | Formato | |
|---|---|---|---|
|
Polenta_Daniele.pdf
accesso aperto
Dimensione
1.97 MB
Formato
Adobe PDF
|
1.97 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
Utilizza questo identificativo per citare o creare un link a questo documento:
https://hdl.handle.net/20.500.12608/112207