Il Mercato dei US Treasury: Tra Fondamenti Teorici ed Evidenze Empiriche

The US Treasury market stands as one of the largest and most liquid financial markets globally, serving as the backbone of the international financial system. Given this crucial role, a deep understanding of its functioning and the fundamental drivers governing its dynamics is essential. The study opens with an extensive theoretical exploration, mapping the ecosystem of US fixed income instruments, the hierarchy of market participants, and the transmission mechanisms of monetary policy. Building upon this framework, the second section conducts an empirical analysis focused on forecasting volatility using a dataset spanning from 2018 to 2025. The dataset comprises daily Treasury futures data, enriched with key cross-asset drivers and an economic calendar. Additionally, intraday data (15-minute and 1-minute intervals) are included for 2025 to capture microstructure dynamics. Through the application of OLS regression and machine learning classifiers, the research tests the extent to which theoretical drivers translate into predictive power over the daily range (utilized as a proxy for volatility). The results confirm that, while point forecasting and linear models proved ineffective, classification algorithms (LDA and GBDT) demonstrated superior performance. However, the analysis reveals that predictability is not uniform across the curve: both the short end and intermediate maturities exhibited better statistical performance compared to the long end, which showed lower predictive power. The thesis concludes that effective modeling in efficient markets suggests a methodological shift: prioritizing regime classification over the pursuit of precise point forecasting.

Il mercato statunitense dei Treasury rappresenta uno dei mercati finanziari più vasti e liquidi a livello globale, fungendo da asse portante dell'intero sistema finanziario internazionale. Alla luce di tale ruolo, è essenziale comprenderne a fondo il funzionamento e le variabili fondamentali che ne governano le dinamiche. Lo studio si apre con un'ampia esplorazione teorica volta a mappare l'ecosistema dei Treasury statunitensi, i suoi partecipanti e i meccanismi di trasmissione della politica monetaria. A partire da questo quadro di riferimento, la seconda parte consiste in un'analisi empirica focalizzata sulla previsione della volatilità in questo mercato. Il dataset utilizzato copre l'arco temporale 2018–2025 e comprende le serie storiche giornaliere dei futures sui Treasury, insieme a quelle di altri principali asset come indici azionari, commodities e valute, e un calendario economico. Per l'anno 2025 sono stati inoltre integrati dati intraday (a intervalli di 15 minuti e 1 minuto) al fine di catturare le dinamiche di microstruttura del mercato. Attraverso l'applicazione di regressioni OLS e modelli di classificazione, la ricerca prova a verificare in che misura i driver teorici si traducano in un effettivo potere predittivo sul range giornaliero (utilizzato come variabile proxy per la volatilità). I risultati dimostrano che, mentre il tentativo di previsione puntuale della volatilità attraverso i modelli di regressione lineare si è rivelato inefficace, gli algoritmi di classificazione (LDA e GBDT) hanno invece mostrato performance superiori. Tuttavia, si è potuto notare come la prevedibilità non risulti uniforme lungo la curva: infatti le scadenze brevi e quelle intermedie hanno evidenziato performance statistiche migliori rispetto alla parte a lunga scadenza, caratterizzata da una capacità predittiva sensibilmente inferiore. Quindi, in presenza di mercati efficienti, lo studio suggerisce una svolta metodologica: privilegiare la classificazione dei regimi di volatilità rispetto alla ricerca di una previsione puntuale.