Topologia delle Reti e Machine Learning per il Rischio Sistemico: Dagli Early Warning alle Strategie di Trading

Questo lavoro indaga l'integrazione tra topologia delle reti e machine learning per la previsione del rischio sistemico nei mercati azionari. Utilizzando i rendimenti giornalieri dei componenti dello S&P 500, costruiamo reti di correlazione dinamiche per estrarre feature topologiche ad alta dimensione, inclusi parametri basati sugli autovalori (absorption ratio, network entropy) e centralità teoriche dei grafi. Valutiamo una suite comparativa di architetture predittive — dai Gradient Boosted Decision Trees alle Graph Neural Networks (GraphSAGE, GAT) e LSTM — validate tramite walk-forward cross-validation con purging. I risultati dimostrano che la topologia della rete manifesta anomalie statisticamente significative con una media di 67 giorni di anticipo rispetto all'inizio delle crisi, con un'analisi lead-lag che conferma la causalità predittiva rispetto alle misure tradizionali di volatilità implicita (VIX). Infine, esaminiamo la microstruttura del mercato attraverso il comportamento di herding (framework CCK) e gli spillover di volatilità (metodologia Diebold-Yilmaz), traducendo questi segnali in strategie di trading economicamente significative come il probability scaling in stile Kelly.