Robo-advisor e Ottimizzazione del Portafoglio: Un confronto tra il modello di Markowitz, un variazione del modello di Markowitz con misure di centralità e un'implementazione di un modello basato su reti neurali per le criptovalute.

The thesis explores the integration of Artificial Intelligence (AI), including Machine Learning (ML) and Deep Learning (DL), with financial advisory services, focusing on Robo-Advisors. Robo-Advisors, as automated platforms, offer investment recommendations and portfolio optimization, promising cost reduction and accessibility, challenging traditional financial advisors' roles. The study compares Markowitz's model with newer ML-based approaches for portfolio optimization, particularly for the top 10 cryptocurrencies. It evaluates the performance of the Markowitz model, a variation incorporating centrality measures, and a Deep Neural Network (DNN) model combining Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Despite ML/DL's potential for better interpreting time series data, their "black box" nature poses challenges for trust and interpretability, addressed by Explainable AI (XAI) techniques. The thesis outlines theoretical models, including Markowitz Portfolio Theory and its variations, and explores the application of Artificial Neural Networks and DNNs in finance for time series prediction and portfolio optimization. It implements and compares the three models using Python, analyzing their performance on cryptocurrency portfolios. The thesis highlights the importance of transparent models for informed decision-making in finance. Despite the preliminary results, the DNN-based model's basic features suggest the potential for more advanced and tailored implementations to leverage its complexity effectively.

La tesi esplora l'integrazione dell'Intelligenza Artificiale (IA), compreso il Machine Learning (ML) e il Deep Learning (DL), con i servizi di consulenza finanziaria, concentrandosi sui Robo-Advisor. I Robo-Advisor, come piattaforme automatizzate, offrono raccomandazioni di investimento e ottimizzazione del portafoglio, promettendo riduzione dei costi e accessibilità, mettendo in discussione i ruoli tradizionali dei consulenti finanziari. Lo studio confronta il modello di Markowitz con approcci basati su ML più recenti per l'ottimizzazione del portafoglio, in particolare per le prime 10 criptovalute. Valuta le prestazioni del modello di Markowitz, una variante che incorpora misure di centralità, e un modello Deep Neural Network (DNN) che combina Convolutional Neural Network (CNN) e Long Short-Term Memory (LSTM). Nonostante il potenziale di ML/DL per interpretare meglio i dati di serie temporali, la loro natura "black box" pone sfide per la fiducia e l'interpretabilità, affrontate dalle tecniche di Explainable AI (XAI). La tesi delinea modelli teorici, inclusa la Teoria del Portafoglio di Markowitz e le sue variazioni, ed esplora l'applicazione delle Reti Neurali Artificiali e dei DNN nella finanza per la previsione di serie temporali e l'ottimizzazione del portafoglio. Implementa e confronta i tre modelli utilizzando Python, analizzando le loro prestazioni su portafogli di criptovalute. La tesi sottolinea l'importanza di modelli trasparenti per prendere decisioni informate nella finanza. Nonostante i risultati preliminari, le caratteristiche di base del modello basato su DNN suggeriscono il potenziale per implementazioni più avanzate e su misura per sfruttare efficacemente la sua complessità.