Previsione delle Distribuzioni di Probabilità dei Rendimenti Finanziari con Reti Neurali Profonde

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

August 26, 2025

Autori: Jakub Michańków

cs.AI

Abstract

Questo studio valuta le reti neurali profonde per la previsione delle distribuzioni di probabilità dei rendimenti finanziari. Vengono utilizzate reti neurali convoluzionali 1D (CNN) e architetture Long Short-Term Memory (LSTM) per prevedere i parametri di tre distribuzioni di probabilità: Normale, t di Student e t di Student asimmetrica. Utilizzando funzioni di perdita personalizzate basate sulla log-verosimiglianza negativa, i parametri delle distribuzioni vengono ottimizzati direttamente. I modelli sono testati su sei principali indici azionari (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225 e KOSPI) utilizzando metriche di valutazione probabilistica, tra cui il Log Predictive Score (LPS), il Continuous Ranked Probability Score (CRPS) e la Probability Integral Transform (PIT). I risultati mostrano che i modelli di deep learning forniscono previsioni distribuzionali accurate e competono con i classici modelli GARCH per la stima del Value-at-Risk. L'LSTM con distribuzione t di Student asimmetrica ottiene le migliori prestazioni secondo molteplici criteri di valutazione, catturando sia le code pesanti che l'asimmetria nei rendimenti finanziari. Questo lavoro dimostra che le reti neurali profonde sono alternative valide ai modelli econometrici tradizionali per la valutazione del rischio finanziario e la gestione del portafoglio.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.