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.