TEMPORAL FUSION TRANSFORMERS IN CRYPTOCURRENCY MARKETS

This thesis investigates the effectiveness of advanced deep learning architectures for multi-horizon cryptocurrency return forecasting and evaluates whether improvements in predictive accuracy translate into economically meaningful trading performance. The analysis focuses on three cryptocurrencies—Bitcoin (BTC), Ethereum (ETH), and Dogecoin (DOGE)—using daily data from January 2018 to December 2025. Three forecasting models are compared within a unified experimental framework: a traditional statistical benchmark (SARIMAX), a recurrent neural network (LSTM), and an attention-based architecture, the Temporal Fusion Transformer (TFT). Forecast accuracy is evaluated across short (H=3), medium (H=14), and long (H=30) horizons using RMSE, MAE, R², and directional accuracy. Economic relevance is assessed through a systematic backtesting framework incorporating transaction costs and risk-adjusted performance measures. Empirical results show that the TFT achieves the lowest RMSE in seven out of nine asset–horizon configurations, demonstrating a consistent statistical advantage, particularly for Ethereum and long-horizon Dogecoin forecasts. However, forecasting superiority does not uniformly translate into trading profitability. The strongest economic outcome is observed for Dogecoin on the long horizon, where the TFT strategy achieves a total return of 70.2% and an annualized Sharpe ratio of 6.92. In contrast, trading results for Bitcoin remain weak across models despite improvements in predictive accuracy. Overall, the findings indicate that attention-based multi-horizon architectures provide measurable gains in statistical forecasting performance, but economic value depends critically on asset characteristics, volatility structure, and signal design. The study highlights the importance of jointly evaluating statistical and financial performance when assessing advanced forecasting models in cryptocurrency markets.

Questa tesi analizza l’efficacia di architetture avanzate di deep learning per la previsione multi-orizzonte dei rendimenti delle criptovalute e valuta se i miglioramenti nella precisione predittiva si traducano in risultati economicamente significativi nelle strategie di trading. L’analisi si concentra su tre criptovalute Bitcoin (BTC), Ethereum (ETH) e Dogecoin (DOGE) utilizzando dati giornalieri dal gennaio 2018 al dicembre 2025. Tre modelli di previsione sono confrontati all’interno di un framework sperimentale unificato: un benchmark statistico tradizionale (SARIMAX), una rete neurale ricorrente (LSTM) e un’architettura basata su meccanismi di attenzione, il Temporal Fusion Transformer (TFT). L’accuratezza delle previsioni è valutata su orizzonti breve (H = 3), medio (H = 14) e lungo (H = 30) utilizzando RMSE, MAE, R² e accuratezza direzionale. La rilevanza economica è analizzata attraverso un framework sistematico di backtesting che incorpora costi di transazione e misure di performance aggiustate per il rischio. I risultati empirici mostrano che il TFT ottiene il valore più basso di RMSE in sette delle nove combinazioni asset–orizzonte, evidenziando un vantaggio statistico consistente, in particolare per Ethereum e per le previsioni di Dogecoin nel lungo periodo. Tuttavia, la superiorità nella previsione non si traduce uniformemente in maggiore redditività nelle strategie di trading. Il risultato economico più rilevante si osserva per Dogecoin sull’orizzonte lungo, dove la strategia basata su TFT raggiunge un rendimento totale del 70,2% e uno Sharpe ratio annualizzato pari a 6,92. Al contrario, i risultati di trading per Bitcoin rimangono deboli per tutti i modelli, nonostante i miglioramenti nella precisione predittiva. Nel complesso, i risultati indicano che architetture multi-orizzonte basate su meccanismi di attenzione offrono miglioramenti misurabili nella performance statistica delle previsioni, ma il valore economico dipende in modo critico dalle caratteristiche dell’asset, dalla struttura della volatilità e dal design del segnale di trading. Lo studio evidenzia quindi l’importanza di valutare congiuntamente le prestazioni statistiche e finanziarie nell’analisi di modelli avanzati di previsione nei mercati delle criptovalute.