Dinamiche nella Previsione della Volatilità Realizzata: Confronto tra Modelli GARCH e di Deep Learning

This thesis compares GARCH models and Deep Learning techniques (ANN, LSTM, CNN) in forecasting the realized volatility of Bitcoin, Ethereum, and Binance Coin. Daily and intraday (5-minute) data are used to estimate volatility through two alternative measures: Realized Variance (RV) and Median Realized Volatility (MedRV). The results show that GARCH models, especially those with heavy-tailed distributions, capture volatility clustering effectively. However, deep neural networks generally provide superior forecasting performance, proving to be more effective in complex and highly volatile markets such as cryptocurrencies.

La tesi confronta modelli GARCH e tecniche di Deep Learning (ANN, LSTM, CNN) nella previsione della volatilità realizzata di Bitcoin, Ethereum e Binance Coin. I dati, a frequenza giornaliera e intraday (5 minuti), permettono di stimare la volatilità tramite RV e MedRV. I risultati evidenziano che i GARCH, specie con distribuzioni a code pesanti, descrivono bene il clustering della volatilità, ma le reti neurali profonde offrono in media performance previsive superiori, confermandosi più efficaci in mercati complessi e volatili come le criptovalute.