PREDICTIVE BUSINESS AND FINANCE

"Questo insegnamento fa parte delle attività formative del Corso di Laurea Magistrale in "Data Analytics for Business and Society". In linea con gli obiettivi formativi del corso, gli studenti saranno introdotti a tecniche e metodi di analisi dei dati per affrontare problematiche legate alla previsione in ambito economico-finanziario. In particolare, l’attività didattica si propone di presentare i principali strumenti matematici e statistici necessari per le previsioni.

1. Visualizzare i dati di serie storiche
2. Specificare metriche appropriate per valutare i modelli di previsione
3. Introduzione ai metodi di filtraggio di base nel dominio del tempo (media mobile, lisciamento esponenziale)
4. Comprendere la scomposizione strutturale in componenti delle serie storiche
5. Utilizzo dei modelli classici di serie storiche per la previsione
6. Utilizzo dei Filtri di Kalman e dei metodi a spazio degli stati per la modellizzazione delle serie storiche (se il tempo lo consente)

- Prerequisiti essenziali

Matematica:
Algebra delle matrici
Serie e successioni

Statistica e probabilità:
Variabili casuali e teoria delle distribuzioni
Valore atteso condizionato e non condizionato
Regressione lineare multivariata

- Prerequisiti preferibili

Matematica:
Calcolo differenziale

Statistica e probabilità:
Stima puntuale e per intervallo
Stima per massima verosimiglianza
Verifica delle ipotesi

1. Introduzione all’analisi dei dati di serie storiche
2. Decomposizione delle serie storiche ed estrazione del segnale
3. Metodi semplici di previsione e valutazione di modelli
4. Filtri di lisciamento esponenziale
5. Regressione lineare per serie storiche
6. Modelli ARIMA per serie storiche
7. Modelli a spazio degli stati e Filtro di Kalman (se il tempo lo consente)

Hyndman, R. J. and Athanasopoulos, G. (2021): Forecasting: Principles and Practice (3rd Edition). https://otexts.com/fpp3/
Shumway, R. H. and Stoffer, D. S. (2017): Time Series Analysis and Its Applications, With R Examples. https://link.springer.com/book/10.1007/978-3-319-52452-8
Harvey, A. C. (1993): Time Series Models (2nd Edition). https://books.google.ge/books/about/Time_Series_Models.html?id=s1ScQgAACAAJ&redir_esc=y
Bee Dagum, E. and Bianconcini, S. (2016): Seasonal Adjustment Methods and Real Time Trend-Cycle Estimation. (Ch.2-5) https://link.springer.com/book/10.1007/978-3-319-31822-6
Harvey, A. C. (1990): Forecasting, Structural Time Series Models and the Kalman Filter. https://books.google.it/books/about/Forecasting_Structural_Time_Series_Model.html?id=Kc6tnRHBwLcC&redir_esc=y

Ai fini della valutazione è previsto un esame principale che coprirà sia gli aspetti teorici sia le applicazioni dei concetti sviluppati a lezione. Tuttavia, proporrò anche un progetto finale (compito a casa) per gli studenti che sosterranno la prima sessione d’esame dell’anno, volto a verificare la loro capacità di sviluppare una soluzione a un problema senza limitarsi alle sole informazioni fornite a lezione. Di conseguenza, per la prima sessione d’esame dell’anno, il voto del corso sarà basato sul compito a casa e sull’esame finale scritto mentre per tutte le altre sessioni il voto sarà determinato esclusivamente dall’esame finale. Il voto finale per la prima sessione d’esame sarà calcolato con i seguenti pesi: 30% compito a casa, 70% esame scritto finale.

scritto

Per la valutazione dell'esame scritto viene applicato il seguente sistema di valutazione:
La valutazione è espressa in trentesimi. I voti da 18 a 20 sono attribuiti per aver risposto correttamente o risolto, totalmente o parzialmente, dal 60% al 69% delle domande d’esame. I voti da 21 a 23 sono attribuiti per aver risposto correttamente o risolto, totalmente o parzialmente, dal 70% al 79% delle domande d’esame. I voti da 24 a 26 sono attribuiti per aver risposto correttamente o risolto, totalmente o parzialmente, dall’80% all’89% delle domande d’esame. I voti da 27 a 30 sono attribuiti per aver risposto correttamente o risolto, totalmente o parzialmente, dal 90% al 100% delle domande d’esame.

Ciclo di lezioni sui diversi argomenti

Il corso è svolto in collaborazione con il partenariato esteso GRINS - Growing Resilient, INclusive and Sustainable, codice PE0000018, CUP H73C22000930001, avviso pubblico n. 341/2022 del Piano Nazionale di Ripresa e Resilienza (PNRR), Missione 4 - Componente 2 - Investimento 1.3, finanziato dall’Unione europea - NextGenerationEU.
All’interno del corso possono essere proposti incontri con testimoni aziendali aderenti al progetto, incentrati sullo sviluppo di conoscenze pratiche nella materia oggetto di studio, oltre che sui risultati del progetto stesso.
Questo insegnamento tratta argomenti connessi allo Spoke 4 Sustainable Finance - Work Package n. 3.