Evoluzione delle Misure di Previsione: Machine Learning vs Modelli Econometrici Tradizionali

This thesis explores the comparison in application between the traditional econometrics’ models and Machine Learning models. We principally focus on how these models can be used to study the future predictions of the prices of an Investment Fund. Traditional econometric models used are ARIMA(p,d,q) and GARCH(p,q), while machine learning methods such as Recurrent Neural Networks, especially Long-Short Term Memory networks and Gate Recurrent Units, have been studied. The models were tested using approximately 10 years of the daily NAV of the Sub-Fund QSF – Global Real Return, spanning from September 2013 and Marh 2025. This period was divided into two segments: from September 2013 to December 2024 as a training phase, while from January 2025 to March 2025 as a testing phase, used to validate the results of the forecast. The models were evaluated for their goodness in fitting the models and the quality of predictions through metrics such as AIC, BIC, RMSE and MAE. The AIC and BIC metrics were used to select which is the best model to be used, while the RMSE and MAE metrics were used to analyse the precision of the forecast. The thesis consider also the safety of the machine learning models using the SAFe metrics: Sustainability, Accuracy, Fairness and Explainability. Keywords: Machine Learning, ARIMA, GARCH, investment fund, LSTM, GRU.

Questa tesi esplora il confronto tra l’applicazione dei tradizionali modelli econometrici ed i modelli di Machine Learning. Ci si concentra principalmente su come i modelli possono essere utilizzati nello studio delle previsioni futuri dei prezzi di un Fondo di investimento. I modelli tradizionali econometrici utilizzati sono ARIMA (p,d,q) e GARCH(p,q) mentre i modelli di Machine Learning sono le Reti Neurali Ricorretti, in particolare le Reti Neural Long Short Term Memory e le Gated Recurrent Units. I modelli sono stati testati su 10 anni di dati sui NAV giornalieri del comparto QSF – Quaestio Global Real Return, che vanno da settembre del 2013 a marzo del 2025. Questo periodo è stato suddiviso da settembre del 2013 a dicembre del 2024, come fase di addestramento, e da gennaio del 2025 a marzo del 2025 come fase di test utilizzata per convalidare i risultati ottenuti. I modelli sono stati valutati sulla loro bontà nell’adattarsi ai dati e la qualità di previsione tramite metriche come AIC, BIC, RMSE e MAE. L’AIC ed il BIC sono stati utilizzati per selezionare il modello da applicare, mentre le metriche RMSE e MAE per misurare la loro precisione nelle previsioni calcolate. La ricerca tratta inoltre le misure di sicurezza dei modelli di machine learning tramite le metriche SAFe: Spiegabilità, Accuratezza, Robustezza ed Equità. Parole chiave: Machine Learning, ARIMA, GARCH, fondo d'investimento, LSTM, GRU.