Questo progetto corrisponde alla mia tesi CESMA sulla previsione del rischio sistemico nei mercati azionari statunitensi. La domanda di fondo e semplice ma importante: la topologia di rete puo dire qualcosa di utile sullo stress di mercato prima degli indicatori standard?
Usando dati giornalieri di 210 componenti dell’S&P 500 (2013-2025), il progetto combina reti di correlazione dinamiche con modelli di machine learning che vanno dal gradient boosting alle Graph Neural Networks come GraphSAGE e GAT. L’obiettivo non e solo l’accuratezza di classificazione, ma l’utilita economica sotto vincoli realistici di validazione e backtesting.
Il risultato piu interessante e che i segnali derivati dalla rete sembrano contenere vera informazione di early warning, soprattutto attorno a stati di mercato severi e strutturalmente fragili. Nelle configurazioni migliori, il framework migliora sia il timing sia la performance di trading rispetto a baseline piu semplici.
Questo progetto e affiancato dalla relativa pagina tesi, dove lo stesso lavoro e presentato come publication entry.