Previsioni finanziarie SAFE, con applicazione ai prezzi del Bitcoin

The volatility of Bitcoin prices creates challenges for models of financial forecasting. This thesis assesses the accuracy, explainability, and robustness of standard and deep learning models in predicting Bitcoin price movements. The study employs machine learning models, including Random Forest, XGBoost, and SVM, and deep learning structures LSTM, GRU, CNN, and a CNN-GRU combination. SHAP values and the Gini coefficient are applied to explain the results of the forecasts. Robustness is also tested with adversarial methods to assess the robustness of the models to withstand volatile markets. This study shows the limitations and strengths of various forecasting models and aids in the design of reliable AI systems in the context of cryptocurrency markets. Future work will include the application of transformer models and improved explainability frameworks to further increase the accuracy of the forecasts and the explainability of the models.

La volatilità dei prezzi del Bitcoin crea sfide per i modelli di previsione finanziaria. Questa tesi valuta l'accuratezza, la spiegabilità e la robustezza dei modelli tradizionali e di deep learning nella previsione dei movimenti di prezzo del Bitcoin. Lo studio impiega modelli di machine learning, tra cui Random Forest, XGBoost e SVM, oltre a strutture di deep learning come LSTM, GRU, CNN e una combinazione CNN-GRU. I valori SHAP e il coefficiente di Gini vengono applicati per spiegare i risultati delle previsioni. La robustezza dei modelli è inoltre testata con metodi avversari per valutarne la capacità di resistere a mercati volatili. Questo studio evidenzia i limiti e i punti di forza dei diversi modelli di previsione e contribuisce alla progettazione di sistemi di intelligenza artificiale affidabili nel contesto dei mercati delle criptovalute. I lavori futuri includeranno l'applicazione di modelli transformer e il miglioramento dei framework di spiegabilità per aumentare ulteriormente l'accuratezza delle previsioni e la comprensibilità dei modelli.