15 articoli
Questo studio introduce un metodo di apprendimento ensemble basato sulla regressione Gaussian Process per prevedere i rendimenti azionari, dimostrando che tale approccio supera i modelli di machine learning esistenti sia statisticamente che economicamente, permettendo inoltre la costruzione di portafogli ottimali che gestiscono l'incertezza delle previsioni.
Questo studio propone l'applicazione dell'Analisi di Fusione Combinatoria (CFA) per prevedere il prezzo del Bitcoin, ottenendo una performance superiore rispetto ai singoli modelli e ad altre tecniche esistenti grazie a una combinazione di punteggi e ranghi che riduce l'errore medio percentuale (MAPE) allo 0,19%.
Questo studio valuta l'impatto dell'analisi del sentiment delle notizie tramite LLM (DeBERTa, RoBERTa e FinBERT) sulla previsione dei movimenti dei prezzi azionari, dimostrando che DeBERTa raggiunge il 75% di accuratezza, un modello ensemble arriva all'80% e le feature di sentiment offrono un lieve vantaggio a vari modelli di classificazione e regressione.
Questo articolo propone un modello ibrido a stati nascosti che combina discretizzazione quantile, commutazione di regime e meccanismi di salto per generare serie temporali finanziarie sintetiche che superano i limiti degli approcci esistenti, preservando simultaneamente code pesanti, assenza di autocorrelazione lineare e persistente clustering di volatilità.
Questo articolo propone un nuovo modello ARCH a livello di operatore per spazi di Hilbert che modella l'intera evoluzione dell'operatore di covarianza condizionale, fornendo condizioni di stazionarietà, stimatori coerenti e applicazioni pratiche su dati finanziari ad alta frequenza.
Questo studio presenta un framework integrato che combina un'architettura Node Transformer con l'analisi del sentiment basata su BERT per la previsione dei prezzi azionari, ottenendo risultati superiori rispetto ai modelli tradizionali grazie alla capacità di catturare le dipendenze cross-settoriali e l'impatto delle notizie, come dimostrato su 20 titoli S&P 500 con un errore medio assoluto percentuale (MAPE) dell'0,80%.
Questo studio dimostra che l'uso di segnali di sentiment multidimensionali estratti da modelli linguistici di grandi dimensioni, come GPT-4o, combinati con modelli finanziari tradizionali, migliora la previsione dei rendimenti settimanali dei futures sul petrolio greggio WTI rispetto alle misurazioni basate esclusivamente sulla polarità.
Questo studio analizza l'impatto dei primi 100 giorni del secondo mandato di Donald Trump sui mercati globali, dimostrando che l'entropia cumulativa e la dispersione rivelano una decoupling significativo che permette di catturare sia la volatilità che le restrizioni narrative, offrendo un quadro entropico efficace per caratterizzare e prevedere le reazioni di mercato in condizioni turbolente.
Questo articolo propone un metodo per misurare la "temperatura" nei sistemi ad agenti economici, estendendo il concetto oltre le applicazioni di mercato finanziario e dimostrando come tale misurazione possa essere utilizzata per influenzare le opinioni medie in sistemi competitivi.
Il paper dimostra che l'asimmetria negativa e la media positiva dei rendimenti azionari derivano da una rottura della simmetria nella volatilità stocastica, proponendo una distribuzione t-skew modificata di Jones-Faddy che unifica organicamente guadagni e perdite per catturare efficacemente tale asimmetria, come illustrato sull'indice S&P500.
Il paper introduce EDINET-Bench, un benchmark open-source giapponese basato su dieci anni di relazioni annuali per valutare le capacità di ragionamento esperto dei modelli linguistici su compiti finanziari complessi come il rilevamento delle frodi, dimostrando che gli attuali LLM faticano a superare le prestazioni di modelli statistici semplici e sottolineando la necessità di framework di valutazione più strutturati che simulino l'ambiente professionale reale.
Questo studio dimostra che l'uso della previsione temporale gerarchica (THieF) per riconciliare le previsioni dei prezzi elettrici a breve termine e a blocchi migliora significativamente l'accuratezza in tutti i livelli di granularità, rendendola una pratica raccomandata per i mercati energetici tedeschi e spagnoli.
Questo articolo sviluppa un quadro parametrico robusto basato sull'estimatore MDPDE per la rilevazione dei salti nei processi di tipo CKLS ad alta frequenza, sfruttando la separazione asintotica tra le componenti di diffusione e di salto per dimostrare la consistenza della classificazione e la convergenza alla distribuzione di Gumbel dei residui normalizzati.
Il lavoro propone un quadro pratico per l'analisi dei valori estremi in sistemi multivariati, finiti e correlati, applicato al settore finanziario, che ruota i rendimenti azionari ad alta frequenza nella base degli autovettori della matrice di correlazione per isolare gli effetti collettivi e stimare il rischio di coda utilizzando un approccio basato sulle eccedenze di soglia che tiene conto della non stazionarietà.
Questo studio propone una strategia di ottimizzazione di portafoglio per le criptovalute che integra indicatori tecnici e analisi del sentiment per migliorare i rendimenti aggiustati al rischio rispetto alle strategie tradizionali, pur evidenziando la necessità di ulteriori meccanismi di gestione del rischio per mitigare i significativi drawdown durante i periodi di stress di mercato.