I modelli previsionali quantitativi si possono dividere in due grandi famiglie:
- modelli parametrici
- modelli non parametrici
I modelli parametrici devono il proprio nome alla presenza di parametri, ossia costanti numeriche che vengono modificate dall'utilizzatore in funzione della serie storica dei prezzi alla quale devono essere applicati. Si tratta, in pratica, di meccanismi di "fine tuning" che permettono di calzare il modello ai dati storici disponibili per poi utilizzarli per generare previsioni.
Il principale svantaggio legato all'uso di questi modelli è che non è possibile realizzare dei back test che ne dimostrino le reali capacità predittive. I dati storici, infatti, vengono utilizzati per ottimizzare i parametri del modello che, una volta riapplicato ai dati storici, non può che dare risultati positivi. Una sorta di tautologia matematica priva di qualsiasi valore informativo.

I modelli non parametrici, invece, sono puri algoritmi che restano sempre i medesimi in ogni condizione. Non sono previsti adattamenti ai dati storici della grandezza cui vengono applicati e, per questo, possono essere oggetto di reali backtest.
Infatti, se i dati storici non vengono impiegati per modificare il modello, allora possono essere validamente utilizzati per verificare quale sarebbe stata l'efficacia del modello nel passato e, in questo modo, costruirsi un'opinione sulla sua effettiva capacità predittiva.

ARGOMENTI CORRELATI
- Corso introduttivo ai modelli quantitativi