Bayesian Neural Networks for time series forecasting

Abstract

Le reti neurali sono potenti approssimatori universali che guidano il campo dell'Intelligenza Artificiale, stabilendo nuovi standard in varie applicazioni. Tuttavia, la tendenza all'overfitting e l'incapacità di modellare e quantificare l'incertezza associata alle loro stime limitano la loro adozione più ampia in applicazioni altamente complesse e sensibili al rischio. Questa tesi indaga le reti neurali Bayesiane, un framework di apprendimento a ensemble che consente efficacemente la quantificazione dell'incertezza epistemica per eseguire inferenze accurate, e le sue applicazioni alla previsione delle serie temporali, in cui i modelli probabilistici svolgono un ruolo fondamentale. Partendo da un'indagine delle architetture più importanti e dei modelli Bayesiani per l'apprendimento sequenziale e una applicazione di test a dataset simulati, il capitolo finale presenta due applicazioni su dati reali: la previsione della volatilità realizzata per serie temporali finanziarie e la previsione della spesa turistica.