FINTECH: TECHNOLOGY FOR FINANCE AND INSURANCE

Come vengono costruiti i sistemi di trading automatico? In che modo l'Intelligenza Artificiale può aiutare a selezionare un portafoglio di investimento o a prevedere l'andamento dei mercati finanziari? Quali tecnologie stanno trasformando il mondo della finanza e delle assicurazioni?

Questo corso offre un'introduzione metodologica e applicata ad alcune delle tecnologie più innovative oggi utilizzate nel settore FinTech. L'attenzione è rivolta in particolare all'Intelligenza Artificiale e al Machine Learning, due ambiti che stanno rivoluzionando il modo in cui vengono affrontati problemi complessi di investimento, gestione del rischio e supporto alle decisioni.
Durante il corso verranno presentate metodologie intelligenti ispirate ai meccanismi di apprendimento e di adattamento osservabili in natura. Tra queste, metaeuristiche basate sull'evoluzione naturale e sull'intelligenza di sciame per la selezione ottimale di portafogli, Reti Neurali Artificiali per la previsione di fenomeni finanziari e tecniche di Reinforcement Learning per la costruzione di strategie di trading automatico.
Il corso non si limita agli aspetti teorici: gli studenti avranno l'opportunità di utilizzare strumenti software dedicati per implementare e sperimentare direttamente le metodologie studiate, acquisendo competenze spendibili in contesti professionali e di ricerca. Non è necessario essere esperti di Intelligenza Artificiale: il corso è progettato per accompagnare gradualmente gli studenti alla scoperta delle tecnologie che stanno contribuendo a ridefinire il futuro della finanza e delle assicurazioni.

1. Conoscenza e comprensione:
1.1. Conoscere gli aspetti teorici delle metodologie intelligenti e le tecniche di machine learning presentate nel corso;
1.2. Comprendere, saper applicare e, quando necessario, adattare tali metodologie e tecniche per la soluzione di problemi finanziari.

2. Capacità di applicare conoscenza e comprensione:
2.1. Individuare ed applicare le opportuni metodologie intelligenti e tecniche di machine learning per la risoluzione di problemi operativi;
2.2. Impostare i processi risolutivi e realizzare i calcoli necessari mediante l'utilizzo di strumenti software.

3. Capacità di giudizio:
3.1. Interpretare finanziariamente i risultati derivanti dalle computazioni;
3.2. Comprendere i pregi ed i limiti delle metodologie intelligenti e delle tecniche di machine learning apprese.

Avere chiari i contenuti dei seguenti insegnamenti dei corsi di laurea triennale dell'area economica: Matematica-1, Matematica-2, Elementi di Informatica per l'Economia. Inoltre, è consigliabile possedere qualche esperienza nella programmazione software.

- Introduzione all'Intelligenza Artificiale e al Machine Learning in finanza ed in assicurazione.
- Metaeuristiche intelligenti per l'ottimizzazzione di problemi complessi ed applicazioni finanziarie ed assicurative.
- Apprendimento supervisionato (Albero Decisionale, Foresta Casuale, Percettrone e Percettrone Multi Strato) ed applicazioni finanziarie ed assicurative.
- Apprendimento per rinforzo ed applicazioni finanziarie ed assicurative.
- Elementi di Natural Language Processing ed applicazioni finanziarie ed assicurative.
- Elementi di Group Method of Data Handling ed applicazioni finanziarie ed assicurative.
- Implementazioni in Matlab.

- Materiale didattico disponibile nella piattaforma di e-learning Moodle. [Materiale di riferimento]

- Alpaydin E. (2014) Introduction to Machine Learning. The MIT Press [Lettura integrativa]

L’esame prevede tre homeworks ed una prova orale.
Gli homeworks:
1) devono essere svolti in gruppi costituiti da due o tre studenti;
2) sono validi per tutto l’a.a. e non oltre;
3) i loro svolgimenti devono essere caricati in Moodle entro e non oltre una prefissata scadenza (le modalità di invio e la scadenza verranno indicate durante il corso).
Per quanto riguarda la prova orale:
1) deve essere svolta singolarmente;
2) è articolata in tre parti: nella prima parte si deve presentare criticamente. mediante l'utilizzo di slide, un articolo di ricerca (le modalità per l'individuazione dell'articolo di ricerca verranno indicate durante il corso); nella seconda si deve presentare mediante l'utilizzo di slide i risultati dell'applicazione di una o più delle metodologie imparate durante il corso per replicare i risultati presentati nell'articolo di ricerca; nella terza parte si deve rispondere ad una domanda scelta dal docente su tre proposte dall'esaminando relative agli argomenti trattati a lezione e nel materiale didattico indicato.
Per quanto riguarda la valutazione:
1) ciascun homework vale da 0 a 4 punti, per un totale da 0 a 12 punti;
2) la prova orale vale da 0 a 18 punti.
Facoltativamente, lo studente può svolgere ulteriori attività integrative, che saranno illustrate durante il corso, per un punteggio aggiuntivo compreso tra 0 e 2 punti.
Il voto finale è determinato dalla somma dei punti ottenuti negli homework, nella prova orale e nelle eventuali attività integrative facoltative.

orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

Griglia di valutazione:
- 18–22: svolgimento lacunoso e impreciso degli homework; capacità critiche appena sufficienti applicate alla comprensione di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; capacità minime o assenti nello sviluppo e nell’implementazione software di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; conoscenza appena sufficiente degli argomenti trattati a lezione e nel materiale didattico indicato.
- 23–26: svolgimento completo ma non del tutto preciso degli homework; capacità critiche discrete applicate alla comprensione di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; capacità modeste nello sviluppo e nell’implementazione software di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; conoscenza discreta degli argomenti trattati a lezione e nel materiale didattico indicato.
- 27–30L: svolgimento completo e rigoroso degli homework; ottime capacità critiche applicate alla comprensione di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; buone capacità di sviluppo e implementazione software di applicazioni, metodi, modelli e simili presentati nella letteratura specializzata; conoscenza approfondita degli argomenti trattati a lezione e nel materiale didattico indicato.

L’insegnamento si articola in:
a) lezioni frontali;
b) implementazione ed utilizzo di metodologie intelligenti mediante strumenti software;
c) studio individuale.
Gli studenti sono fortemente incoraggiati a frequentare le lezioni in modo attivo.

Sito del corso presente nella piattaforma piattaforma e-learning 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