Previsione dei crolli del mercato azionario

Prevedere i crolli dei mercati finanziari rimane una delle sfide più complesse dell’econometria finanziaria. Mentre l’Ipotesi dei Mercati Efficienti (EMH) implica l’inutilità di tali tentativi, l’Ipotesi dei Mercati Adattivi (AMH) suggerisce che l’efficienza di mercato sia dinamica e dipendente dal contesto, consentendo finestre temporanee di prevedibilità. Questa tesi esamina la prevedibilità dei crolli del mercato azionario statunitense confrontando un modello econometrico tradizionale (Regressione Logistica) con approcci di machine learning (Random Forest e LSTM). L’insieme delle variabili integra indicatori tecnici, macroeconomici e basati sulla volatilità, e, i modelli sono valutati utilizzando metriche appositamente scelte per problemi di classificazione sbilanciata, nei quali l’accuratezza convenzionale tenderebbe a sovrastimare le prestazioni e a non cogliere la capacità di rilevare eventi di crollo rari ma critici. I risultati empirici mostrano che l’LSTM raggiunge il miglior equilibrio tra le metriche analizzate, mentre la Regressione Logistica rimane sorprendentemente competitiva, in alcuni casi eguagliando o addirittura superando modelli più complessi. Questi risultati sottolineano come la parsimonia del modello mantenga valore in contesti turbolenti e forniscono un supporto empirico alla visione dell’AMH dei mercati finanziari, come sistemi in continua evoluzione e adattamento. Inoltre, l’integrazione di indicatori macroeconomici e basati sulla volatilità riflette la logica dei modelli multifattoriali di valutazione degli asset, i quali postulano che i fattori di rischio sistematici siano alla base delle valutazioni di mercato. Questa prospettiva integra l’AMH radicando la prevedibilità in driver fondamentali ed esogeni dei rendimenti.