Revisione Letteratura: Metodi Ensemble per la Previsione Finanziaria

1. Modelli Foundation per Serie Temporali

I recenti progressi nei modelli foundation hanno trasformato l'analisi delle serie temporali. TimeGPT (Garza & Mergenthaler-Canseco, 2023) ha dimostrato che i transformer pre-addestrati possono raggiungere previsioni zero-shot competitive con modelli task-specifici.

• I modelli pre-addestrati riducono la necessità di feature engineering specifico per dominio
• Il transfer learning da dataset temporali su larga scala migliora le prestazioni few-shot sui dati finanziari

2. Meccanismi di Attenzione in Finanza

L'applicazione dell'attenzione multi-head alle serie temporali finanziarie ha mostrato risultati promettenti:

$ python experiments/train.py --model attention_ensemble --epochs 200

• Temporal Fusion Transformers (Lim et al., 2021): Selezione variabili + pesi di attenzione interpretabili per previsioni multi-orizzonte
• Autoformer (Wu et al., 2021): Meccanismo di auto-correlazione che sostituisce la self-attention per dipendenze a lungo termine
• iTransformer (Liu et al., 2024): Attenzione invertita tra variabili — miglioramento del 15% sui benchmark multivariati

3. Strategie Ensemble

La combinazione di previsioni eterogenee tramite pesi appresi supera costantemente le architetture individuali.

4. Lacune nella Ricerca

Sebbene i metodi ensemble mostrino chiari vantaggi, la letteratura esistente manca di: (1) apprendimento adattivo dei pesi tra regimi di mercato, (2) integrazione di fonti dati alternative, e (3) valutazione rigorosa out-of-distribution.