Ateneo - UPO

L’insegnamento affronta l’utilizzo di metodi quantitativi e strumenti di Intelligenza Artificiale in ambito finanziario e Fintech, con particolare attenzione al supporto delle decisioni di investimento, alla gestione del rischio, al funzionamento dei mercati finanziari e al finanziamento delle imprese innovative.

Il corso introduce inizialmente il ruolo dei dati, degli algoritmi e dell’automazione nei servizi finanziari e sviluppa gli strumenti necessari per rappresentare rischio e incertezza attraverso modelli probabilistici e simulazione Monte Carlo. Sono quindi approfonditi i principali problemi di portfolio optimization, le preferenze rispetto al rischio e la teoria dell’utilità, nonché le strategie di asset allocation dinamica e di ribilanciamento.

Una seconda parte è dedicata alle applicazioni quantitative nei mercati finanziari: pricing e hedging di strumenti derivati, market microstructure, funzionamento del limit order book, trading algoritmico, optimal execution e market making.

Il corso affronta inoltre la progettazione e la valutazione di sistemi finanziari basati sull’IA, considerando la relazione tra previsione e decisione, validazione dei modelli, robustezza, monitoraggio, interpretabilità, governance e supervisione umana. La parte conclusiva è dedicata alla finanza imprenditoriale e alle principali forme di finanziamento delle imprese innovative, incluse venture capital, business angels, crowdfunding, valutazione, ownership, diluizione ed exit.

Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

Il materiale obbligatorio per la preparazione dell’esame è fornito dalla docente sulla pagina DIR del corso. Eventuali testi, articoli o altre fonti consigliati durante il corso avranno carattere facoltativo e saranno destinati esclusivamente all’approfondimento.

L’insegnamento si propone di fornire alle studentesse e agli studenti gli strumenti concettuali e quantitativi necessari per comprendere e analizzare il ruolo dei dati, dei modelli e dell’Intelligenza Artificiale nei processi decisionali finanziari e nelle principali applicazioni Fintech.

Il corso mira in particolare a sviluppare la capacità di rappresentare problemi finanziari caratterizzati da rischio e incertezza, utilizzare modelli quantitativi per l’allocazione delle risorse e la valutazione di strumenti finanziari, interpretare il funzionamento dei mercati elettronici e dei principali algoritmi di trading ed execution, e valutare criticamente l’impiego di sistemi basati sull’IA in ambito finanziario.

Un ulteriore obiettivo è fornire una comprensione delle principali forme di finanziamento delle imprese innovative e del ruolo che dati, piattaforme digitali e strumenti di Intelligenza Artificiale possono assumere nei processi di selezione, valutazione e finanziamento.

Le attività applicative in Python sono finalizzate a sviluppare la capacità di tradurre i modelli teorici in semplici implementazioni numeriche, interpretarne i risultati e valutarne limiti e condizioni di utilizzo.

Sono richieste conoscenze di base di matematica, probabilità e statistica, sufficienti per comprendere variabili aleatorie, distribuzioni di probabilità, valore atteso, varianza, covarianza e correlazione.
È inoltre richiesta una conoscenza introduttiva della programmazione in Python, con particolare riferimento all’uso di variabili, strutture dati, funzioni e librerie per il calcolo numerico e la rappresentazione grafica.
È utile, ma non indispensabile, una conoscenza preliminare dei principali concetti di finanza, quali rendimento, rischio, portafoglio, strumenti finanziari e funzionamento generale dei mercati.

L’insegnamento combina lezioni frontali, esempi quantitativi, esercitazioni e attività computazionali in Python.

Quanto indicato nel Syllabus relativamente a contenuti, materiali didattici, modalità di svolgimento dell’insegnamento e verifica dell’apprendimento si applica sia alle studentesse e agli studenti frequentanti sia alle studentesse e agli studenti non frequentanti.

DISABILITÀ E DSA
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.
Le studentesse e gli studenti con disabilità, DSA o BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la docente titolare dell’insegnamento in relazione alla declinazione delle modalità di esame e agli aspetti didattici.

L’esame consiste in una prova orale volta a verificare la conoscenza e la comprensione dei contenuti del corso, nonché la capacità di applicare i concetti e i modelli studiati a semplici problemi finanziari.
Durante il colloquio potranno essere richieste sia domande teoriche sia applicazioni, esempi numerici, interpretazione di risultati o discussione di procedure computazionali affrontate durante il corso.
Per il superamento dell’esame è richiesta una conoscenza adeguata dei concetti fondamentali e la capacità di applicarli correttamente in contesti semplici. Valutazioni più elevate saranno attribuite in presenza di maggiore padronanza dei contenuti, capacità di collegare argomenti diversi, autonomia nell’analisi e chiarezza espositiva.

L’insegnamento è articolato in dieci blocchi tematici.

1. Fintech, Intelligenza Artificiale e decisioni finanziarie
Trasformazione digitale dei servizi finanziari; ruolo di dati, algoritmi e automazione; relazione tra previsione, simulazione, ottimizzazione e decisione; principali applicazioni dell’IA in finanza; introduzione a Python.

2. Rischio, incertezza e simulazione Monte Carlo
Variabili aleatorie, distribuzioni, rendimenti e scenari. Introduzione ai processi stocastici e al moto browniano geometrico. Simulazione Monte Carlo, misure di rischio, errore di simulazione, validazione e analisi di sensitività.

3. Portfolio optimization
Rendimento e rischio di portafoglio, covarianza, correlazione e diversificazione. Modello media-varianza di Markowitz, portafoglio a varianza minima, frontiera efficiente e vincoli di allocazione. Applicazioni in Python.

4. Utilità, preferenze rispetto al rischio e decisioni di investimento
Expected utility, certainty equivalent, risk premium e misure di avversione al rischio. Funzioni CARA e CRRA. Scelte di investimento tra attività rischiose e prive di rischio.

5. Dynamic asset allocation e rebalancing
Evoluzione dei pesi di portafoglio, strategie buy-and-hold, target allocation, ribilanciamento periodico e a bande. Turnover, costi di transazione e confronto tra strategie alternative.

6. Pricing e hedging di strumenti derivati
Payoff di forward e opzioni, non arbitraggio, portafogli replicanti e probabilità risk-neutral. Modello binomiale, Black-Scholes come benchmark, delta hedging e pricing Monte Carlo.

7. Market microstructure e algorithmic trading
Mercati elettronici, market e limit orders, limit order book, bid-ask spread, liquidità, slippage e price impact. Implementation shortfall e principali algoritmi di esecuzione.

8. Optimal execution e market making
Trade-off tra rapidità di esecuzione, market impact e rischio di prezzo. Order splitting, inventory risk, bid-ask quoting, reservation price e benchmark di Avellaneda-Stoikov.

9. Sistemi finanziari basati sull’Intelligenza Artificiale
Dal modello predittivo al sistema decisionale: dati, decision rule, esecuzione, validazione e monitoraggio. Robustezza, calibration, drift, interpretabilità, model risk, governance e human oversight.

10. Fintech e finanza imprenditoriale
Funding gap, crowdfunding, business angels e venture capital. Screening e selezione, valutazione, ownership, diluizione, staged financing ed exit. Ruolo dei dati e dell’IA nella valutazione delle imprese innovative.

Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

Conoscenza e comprensione: al termine del corso, le studentesse e gli studenti saranno in grado di comprendere i principali concetti e modelli quantitativi utilizzati in ambito Fintech e finanziario, con riferimento a rischio e incertezza, portfolio optimization, scelte di investimento, pricing e hedging, market microstructure, trading algoritmico, sistemi finanziari basati sull’IA e finanza imprenditoriale.

Capacità di applicare conoscenza e comprensione: le studentesse e gli studenti saranno in grado di applicare i modelli e gli strumenti studiati a semplici problemi finanziari, interpretare risultati numerici e utilizzare Python per simulazioni, analisi quantitative e confronto tra strategie.

Autonomia di giudizio: le studentesse e gli studenti saranno in grado di valutare criticamente ipotesi, risultati e limiti dei modelli utilizzati e di individuare lo strumento più appropriato rispetto allo specifico problema finanziario considerato.

Abilità comunicative: le studentesse e gli studenti saranno in grado di descrivere e discutere in modo chiaro e corretto i principali concetti, modelli e risultati quantitativi affrontati nel corso, utilizzando un linguaggio tecnico appropriato.

Capacità di apprendimento: le studentesse e gli studenti saranno in grado di approfondire autonomamente temi di Fintech, finanza quantitativa e applicazioni dell’Intelligenza Artificiale in finanza, utilizzando materiale didattico, testi specialistici e altre fonti pertinenti.