Early Warning System using machine learning techniques: application to financial data and cryptocurrencies

This master’s thesis explores the implementation of an Early Warning System in financial markets using machine learning techniques, with a specific focus on the "Principal Component Analysis and Neural Networks (PCA NN)" model. The objective of these models is to classify financial price movements as either normal or abnormal based on historical data, a capability that proves valuable in financial contexts such as trading and risk management. Initially, the study examines a model that utilizes PCA to extract principal components, followed by a neural network to calibrate the anomaly thresholds. This approach is then compared to benchmark models such as Random Forest, K-Nearest Neighbors (KNN), and Autoencoder. These models are applied to both financial and cryptocurrency datasets. Comparative results demonstrate that PCA NN performs well across different datasets, showing performance in line with Random Forest and KNN; while Autoencoder underperforms them. Furthermore, the results highlight that the performance of the models is generally better on the cryptocurrency dataset. The findings emphasize the importance of using multiple machine learning models to improve the accuracy and reliability of market anomaly detection systems. In conclusion, it is possible to consider an ensemble model, as the combination of these models, to implement a robust Early Warning System that is effective across both financial and cryptocurrency datasets.

Questa tesi magistrale esplora l’implementazione di un sitema di Early Warning nei mer cati finanziari usando tecniche di machine learning, con un focus specifico sul modello"Principal Component Analysis and Neural Networks (PCA NN)". L’obiettivo di questi modelli è classificare i movimenti dei prezzi finanziari come normali o anomali basandosi su dati storici, una capacità che si rivela preziosa in contesti finanziari come trading e risk management. Inizialmente, lo studio esamina un modello che utilizza la PCA per estrarre le componenti principali, seguito da una rete neurale per calibrare le soglie di anomalia. Questo approccio viene quindi confrontato con modelli di riferimento come Random Forest, K-Nearest Neighbors (KNN) e Autoencoder. Questi modelli sono applicati sia a dataset finanziari che a dataset di criptovalute. I risultati comparativi dimostrano che il modello PCA NN performa bene sui diversi dataset, mostrando prestazioni in linea con Random Forest e KNN, mentre l’Autoencoder presenta prestazioni inferiori. Inoltre, i risultati evidenziano che le prestazioni dei modelli sono generalmente migliori sui dataset di criptovalute. Le conclusioni sottolineano l’importanza di utilizzare più modelli di machine learning per migliorare l’accuratezza e l’affidabilità dei sistemi di rilevamento delle anomalie di mercato. In conclusione, è possibile considerare un modello ensemble, come combinazione di questi modelli, per implementare un sistema Early Warning robusto ed efficace su entrambi i dataset finanziari e di criptovalute.