Ateneo - UPO

Machine Learning applicata alla Finanza: comprendere come i metodi di Machine Learning possono essere adoperati per risolvere problemi concreti nei Mercati Finanziari.

Appunti, dispense e articoli accademici e articoli di esperti del settore.

L’intelligenza artificiale e le tecniche di Machine Learning hanno fatto negli ultimi vent’anni dei progressi enormi, dovuti in larga parte all’aumento dei dati a disposizione e della capacità computazionali dei nostri computer.
In questo corso:
imparerai quali sono i principali algoritmi di machine learning, in particolare supervisionati e non supervisionati;
imparerai sia metodi di Machine Learning classici che di “Deep Learning” e quali sono i pro e i contro dei vari approci;
imparerai ad utilizzare python, ed in particolare le librerie SKLearn e Keras, per utilizzare in pratica questi algoritmi;
esplorerai applicazioni pratiche di questi algoritmi a dati dei Mercati Finanziari, imparando alcune delle difficoltà pratiche di cui tenere conto nel fare questo.

Basi di programmazione in Python, Finanza e Statistica (livello base).

Lezioni, appunti e discussioni. Il corso è progettato per essere altamente interattivo e con un angolo pratico più che teorico, quindi ad ogni lezione di introduzione di metodologie di Machine Learning seguirà un’esercitazione pratica di messa in opera dell’algoritmo su un problema specifico nei Mercati Finanziari.

Negli ultimi anni l’intelligenza artificiale e il Machine Learning stanno rivoluzionando il nostro modo di intendere la tecnologia e l’informatica, con impatto notevolissimo in tutti i settori.
Anche nei mercati finanziari questo impatto si sente e sono sempre di più le applicazioni utili in questo ambito, sia che uno lavoro in una banca, in un asset manager tradizionale o in un hedge fund.
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame.

Progetto collaborativo di squadra degli studenti: gli studenti si cimenteranno nella risoluzione di un problema, dato dal docente (inclusi i dati) simile, come tematiche e complessità, a quelli affrontati come esercitazioni durante il corso. La risoluzione richiederà l’utilizzo di tecniche di Machine Learning, utilizzando la librerie di Python SKLearn e Keras, applicate a dati dei Mercati Finanziari.

Lezione 1: Apprendimento Supervisionato – Support Vector Machine, Decision Tree e Random Forest.
Esercizio di Apprendimento Supervisionato – utilizziamo Support Vector Machine per trovare la relazione tra il prezzo di un bond e gli swap rates nel mercato.
Lezione 2: Apprendimento non Supervisionato – Clustering e PCA.
Esercizio di Apprendimento non Supervisionato – usiamo PCA per identificare i movimenti principali di una Yield Curve governativa.
Lezione 3: basi di reti neurali – modelli, funzioni di attivazione e tipi di regolarizzazione
Esercizio di Reti Neurali: usiamo una rete neurale deep per prezzare un’opzione europea vanilla.
Opzionale (se c’è tempo):
Lezione 4: Strutture avanzate di reti neurali – reti siamesi e autoencoders.

Esercizio di reti neurali avanzate: usiamo autoencoders per modellare un indice equity on un limitato insieme di azioni.

Al termine del corso, gli studenti avranno acquisito:
una buona conoscenza di base dei principali algoritmi di Machine Learning;
l’abilità di utilizzare in maniera autonoma questi algoritmi in python tramite SKLearn e Keras;
la conoscenza di alcune applicazioni pratiche di questi algoritmi al complesso mondo dei Mercati Finanziari;