Analizzare le relazioni dinamiche tra cryptovalute e classi di asset tradizionali: un approccio LSTM (Long-Short Term Memory).

Abstract

Questo studio si propone di esaminare le relazioni dinamiche tra i mercati tradizionali e l’ecosistema delle criptovalute. L'approccio metodologico di questa ricerca si sviluppa in due fasi cruciali. Inizialmente, si esplora il comportamento lineare delle serie storiche attraverso l'applicazione del test di Granger. Questo passo iniziale permette di identificare eventuali relazioni causali lineari tra le variabili coinvolte. Successivamente, il focus si sposta verso l'utilizzo di reti neurali, mirando a individuare e analizzare le relazioni non lineari tra le criptovalute e gli asset tradizionali. L'adozione di questo approccio ibrido, che integra metodi classici e avanzate tecniche di machine learning, si propone di fornire una visione completa e approfondita delle interazioni complesse presenti nei dati finanziari. Utilizzando approcci avanzati basati su reti neurali, il lavoro si focalizza sull'identificazione di pattern e correlazioni non lineari al fine di comprendere come le criptovalute possano impattare gli asset finanziari convenzionali. L'analisi si basa su un periodo temporale significativo, evidenziando le variazioni nell'influenza reciproca tra criptovalute e asset tradizionali nel corso del tempo. L'obiettivo principale di questo studio è quello di verificare se la qualità predittiva del modello viene migliorata mediante l'inclusione di una variabile esogena relativa alle criptovalute.

This study aims to examine the dynamic relationships between traditional markets and the cryptocurrency ecosystem. The methodological approach of this research unfolds in two crucial phases. Initially, it explores the linear behaviour of historical series through the application of the Granger causality test. This initial step allows for the identification of any linear causal relationships among the variables involved. Subsequently, the focus shifts to the use of neural networks, aiming to identify and analyse the nonlinear relationships between cryptocurrencies and traditional assets. The adoption of this hybrid approach, integrating classical methods and advanced machine learning techniques, aims to provide a comprehensive and in-depth understanding of the complex interactions present in financial data. By employing advanced approaches based on neural networks, the study focuses on identifying nonlinear patterns and correlations to understand how cryptocurrencies may impact conventional financial assets. The analysis is based on a significant time period, highlighting variations in the mutual influence between cryptocurrencies and traditional assets over time. The primary objective of this study is to verify whether the predictive quality of the model is enhanced by including an exogenous variable related to cryptocurrencies.