PREDICTIVE MODELS IN FINANCE: A COMPARATIVE STUDY OF TRADITIONAL TIME SERIES AND MACHINE LEARNING APPROACHES

This study aims to compare traditional time series models and machine learning models for time series forecasting, focusing on the credit sector in Italy. The thesis will delineate the differences in methodologies used for forecasting time series with statistical models versus machine learning models. The primary objective is to evaluate whether machine learning models can enhance forecasting accuracy. This evaluation will be based on empirical data from the Italian credit sector and will involve comparing specific forecast error metrics, such as Root Mean Squared Error (RMSE), Mean Squared Error (MSE), and Mean Absolute Percentage Error (MAPE).

Lo studio mira a confrontare i modelli di serie temporali tradizionali e i modelli di machine learning per la previsione delle serie temporali, concentrandosi sul settore del credito in Italia. La tesi delineerà le differenze nelle metodologie utilizzate per la previsione delle serie temporali con modelli statistici rispetto ai modelli di machine learning. L'obiettivo principale è valutare se l'impiego dei modelli di machine learning possa migliorare l'accuratezza delle previsioni. Questa valutazione sarà basata su dati empirici del settore del credito italiano e sul confronto di specifici indicatori di errore di previsione, come il Root Mean Squared Error (RMSE), il Mean Squared Error (MSE) e il Mean Absolute Percentage Error (MAPE).