MODELS AND TECHNOLOGY FOR THE FINANCIAL INDUSTRY

L’insegnamento è fra i corsi caratterizzanti del corso di Laurea Magistrale in DATA ANALYTICS FOR BUSINESS AND SOCIETY e ha lo scopo di approfondire le tecniche di machine learning applicate all'industria finanziaria.
Il corso si concentra sulla comprensione degli algoritmi e degli strumenti più comuni utilizzati dai data scientist in ambito finanziario.
Durante il corso verranno discussi casi pratici attraverso l'utilizzo di Python al fine di applicare le conoscenze acquisite.

1. Conoscenza e comprensione
- studio e comprensione dei i dati disponibili nell'industria finanziaria
- rassegna delle principali tecniche di machine learning applicate all'industria finanziaria

2. Capacità di applicare conoscenza e comprensione
- Individuare ed applicare le tecniche di machine learning adatte al problema analizzato
- Analisi di casi pratici attraverso l'utilizzo di Python

3. Capacità di giudizio
- capacità di effettuare testing e validazione di modelli

Possedere le conoscenze di base indicate nei requisiti di personale preparazione per iscriversi al corso di Laurea Magistrale in DATA ANALYTICS FOR BUSINESS AND SOCIETY

Introduzione al Machine Learning applicata alla finanza
Unsupervised learning
Supervised learning e regularization (Regressione lineare e logistica, survival analysis e support vector machines)
Financial Portfolio e regularization

Materiale fornito dal docente.
Letture consigliate: Hull, J. (2021). Machine Learning in Business: An Introduction to the World of Data Science. Third Edition. Amazon Distribution.

Per i frequentanti: La verifica dell’apprendimento è composta da una parte scritta (domande aperte) e da un analisi empirica svolta in gruppo o individualmente.
Per i non frequentanti: Esame scritto.

scritto

Per i Frequentanti (Esame Scritto + Analisi Empirica):

Un voto tra 18 e 23 (Sufficiente/Discreto) indica una comprensione basilare dei dati finanziari e delle tecniche di Machine Learning. L'analisi empirica potrebbe presentare carenze nell'applicazione delle tecniche o nella validazione dei modelli, e l'interpretazione finanziaria dei risultati sarà debole o assente. Le risposte alle domande aperte saranno essenziali ma con imprecisioni.

Un punteggio tra 24 e 27 (Buono) riflette una buona comprensione dei dati e delle tecniche di Machine Learning applicate all'industria finanziaria. L'analisi empirica dimostrerà una corretta applicazione delle tecniche con una validazione adeguata dei modelli, e i risultati saranno interpretati con una chiara ma non sempre approfondita rilevanza finanziaria. Le risposte scritte saranno chiare e sostanzialmente corrette.

Un voto tra 28 e 30 (Molto Buono/Eccellente) denota una padronanza critica sia della conoscenza teorica che dell'applicazione pratica, con un'eccellente capacità di collegare le tecniche di Machine Learning al contesto finanziario. L'analisi empirica sarà eccellente, con un'applicazione innovativa delle tecniche di Machine Learning, testing e validazione rigorosi, e l'interpretazione finanziaria dei risultati sarà profonda, perspicace e ben argomentata. Le risposte scritte saranno complete, accurate e dimostreranno capacità di giudizio avanzate e rilevanza finanziaria.

Per i Non Frequentanti (Solo Esame Scritto):

Un voto tra 18 e 23 (Sufficiente/Discreto) evidenzia una comprensione essenziale dei dati finanziari, delle tecniche di Machine Learning e della loro applicazione. Le risposte saranno brevi o parzialmente corrette, con una limitata capacità di giudizio sui modelli e scarsa o nulla interpretazione delle implicazioni finanziarie.

Un punteggio tra 24 e 27 (Buono) indica una buona comprensione delle tematiche affrontate, con risposte chiare e corrette sull'applicazione delle tecniche e sui processi, mostrando una consapevolezza delle implicazioni finanziarie.

Un voto tra 28 e 30 (Molto Buono/Eccellente) riflette una comprensione approfondita e critica dell'intero programma. Le risposte saranno complete, ben argomentate e dimostreranno un'eccellente capacità di individuare e valutare le tecniche più adatte, fornendo interpretazioni finanziarie acute e pertinenti.

Lezione frontale. Slides di lezione, programmazione, esercizi, ed esempi disponibili nella piattaforma Moodle.

Questo insegnamento tratta argomenti connessi alla macroarea "Capitale umano, salute, educazione" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile