Previsione dei rendimenti EUR/USD: un'analisi comparativa di modelli econometrici, non lineari, di machine learning e di deep learning

This thesis investigates the forecasting of daily EUR/USD exchange rate returns by comparing models with different levels of complexity, ranging from traditional econometric methods to nonlinear regression, machine learning, and deep learning approaches. The main objective is to assess whether increasing model flexibility leads to better out-of-sample forecasting performance in the context of daily foreign exchange returns. The empirical analysis is based on daily financial data covering the period from March 2021 to March 2026. In addition to the EUR/USD exchange rate, the dataset includes other major exchange rates, equity market indices, gold, U.S. Treasury yields, cryptocurrencies, and stablecoins. The original price series are transformed into logarithmic returns and the observations are aligned according to a common business-day calendar. The forecasting framework preserves the chronological structure of the data and divides the sample into training, validation, and test sets, ensuring that future information is not used during model estimation or tuning. The analysis first considers linear regression models, including Ordinary Least Squares, Ridge, and Lasso regression, together with backward stepwise selection based on the AIC, BIC, and HQC criteria. Nonlinear relationships are then examined through Polynomial and Spline Regression, followed by three machine learning models: Random Forest, XGBoost, and Support Vector Regression with an RBF kernel. Finally, the analysis considers three deep learning architectures, namely a Multi-Layer Perceptron, a Long Short-Term Memory network, and a Temporal Fusion Transformer. Model performance is evaluated on the independent test set using Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, and the coefficient of determination.

La presente tesi analizza la previsione dei rendimenti giornalieri del tasso di cambio EUR/USD confrontando modelli di diversa complessità, che spaziano dai metodi econometrici tradizionali alla regressione non lineare, fino agli approcci di machine learning e deep learning. L'obiettivo principale è valutare se una maggiore flessibilità del modello conduca a migliori prestazioni di previsione nel contesto dei rendimenti giornalieri dei cambi valutari. L'analisi empirica si basa su dati finanziari giornalieri relativi al periodo compreso tra marzo 2021 e marzo 2026. Oltre al tasso di cambio EUR/USD, il dataset include altri principali tassi di cambio, indici del mercato azionario, oro, rendimenti dei titoli del Tesoro USA, criptovalute e stablecoin. Le serie di prezzi originali vengono trasformate in rendimenti logaritmici e le osservazioni sono allineate secondo un calendario comune dei giorni lavorativi. Il framework di previsione preserva la struttura cronologica dei dati e suddivide il campione in set di addestramento (*training*), validazione e test, garantendo che informazioni future non vengano utilizzate durante la stima o la calibrazione dei modelli. L'analisi prende inizialmente in esame modelli di regressione lineare, tra cui i Minimi Quadrati Ordinari (OLS) e le regressioni Ridge e Lasso, unitamente alla selezione *stepwise* all'indietro (*backward*) basata sui criteri AIC, BIC e HQC. Vengono successivamente esaminate le relazioni non lineari tramite regressione polinomiale e *spline*, seguite da tre modelli di machine learning: Random Forest, XGBoost e Support Vector Regression con kernel RBF. Infine, l'analisi considera tre architetture di deep learning: un Multi-Layer Perceptron, una rete Long Short-Term Memory (LSTM) e un Temporal Fusion Transformer. Le prestazioni dei modelli vengono valutate sul set di test indipendente utilizzando l'Errore Quadratico Medio (MSE), la Radice dell'Errore Quadratico Medio (RMSE), l'Errore Assoluto Medio (MAE) e il coefficiente di determinazione.