Le potenzialità degli algoritmi di machine learning per la valutazione dei rischi di mercato sono ancora poco conosciute, in particolar modo per quel che concerne il calcolo del Value-at-Risk (VaR). Lo scopo di questo lavoro, dunque, è quello di introdurre la regression forest quantilica dinamica, un modello che unisce le regression forest con il calcolo dinamico del VaR, ossia tenendo conto dell’evoluzione del quantile nel tempo: in questo senso il modello è definito dinamico in quanto permette di stimare la distribuzione condizionata della variabile tenendo conto, fra le altre covariate, anche dell’evoluzione del quantile nel tempo.

The potential of machine learning algorithms in the assessment of market risks has not been completely investigated in the literature, such as in the forecasting Value-at-Risk (VaR). In this paper we introduce the Dynamic Quantile Regression Forest, a model combining Quantile Regression Forests with a dynamic VaR. The model is dynamic as the quantile prediction of the previous random forest becomes part of the training set used to train the next random forest. Thus, it is possible to estimate the response variable conditional distribution by accounting for the evolution of the quantile over time among other covariates.