Sviluppo Predittore di Volatilità Realizzata tramite Machine Learning e Metodi Statistici = Development of Realized Volatility Predictor through Machine Learning and Statistical Methods

La tesi in oggetto è stata sviluppata presso Sella Financial Markets, divisione del gruppo Sella che si occupa di trading in conto proprio sui mercati finanziari e svolge attività di market making per fornire liquidità ai mercati e migliorarne l’efficienza. L'obiettivo della tesi è di stimare la volatilità realizzata intraday di diversi asset finanziari e di sviluppare metodi statistici e modelli di machine learning per la sua predizione, utilizzando dati granulari ad alta frequenza dei mercati finanziari, come order book e trade. Data la non osservabilità della volatilità, il processo di stima è fondamentale per definire uno stimatore il più possibile corretto, che non presenti bias intrinsechi o una varianza elevata. Nel lavoro sono studiati e analizzati i principali stimatori conosciuti in letteratura. Nella parte di predizione sono sviluppati modelli di classificazione binaria, in cui l'obiettivo è predire se la volatilità realizzata salirà oppure scenderà nel breve periodo. Alla fine del lavoro sono paragonati i risultati ottenuti su insiemi test out-of-sample per tre diversi modelli: HAR-D, principale modello econometrico per la stima della volatilità intraday; XGBoost, modello di machine learning basato sul framework del gradient boosting; Long Short-Term Memory, rete neurale usata per trattare le serie temporali.