Introduzione al Machine Learning e applicazioni in finanza
Introduzione al Machine Learning e applicazioni in finanza
Un approccio integrato ai fondamenti matematici e statistici dell’apprendimento automatico — dai metodi supervisionati e non supervisionati ai modelli di deep learning — e alle loro implementazioni nella previsione dei mercati finanziari, nell’ottimizzazione di portafoglio e nella gestione del rischio.
Descrizione del corso
Il corso offre un’introduzione ai concetti fondamentali del machine learning, con un focus specifico sulle applicazioni in ambito finanziario. Dopo aver illustrato i principali approcci supervisionati e non supervisionati, il corso esplora come queste tecniche vengano utilizzate nella previsione dei mercati, nell’ottimizzazione di portafoglio e nella gestione del rischio. Particolare attenzione è dedicata anche alle implicazioni etiche e normative nell’adozione del machine learning in finanza.
Carico di lavoro totale del corso: 16 ore
Questo MOOC è stato prodotto nell’ambito del progetto Edvance - Digital Education Hub per la Cultura Digitale Avanzata. Il progetto è finanziato dall’Unione europea - Next Generation EU, Componente 1, Investimento 3.4 “Didattica e competenze universitarie avanzate".
Risultati di Apprendimento Attesi
Al termine di questo corso, sarai in grado di:
- Comprendere i concetti fondamentali del machine learning: conoscere le tipologie di apprendimento (supervisionato, non supervisionato, rinforzo) e le principali metriche di valutazione
- Comprendere il contesto storico del machine learning in finanza: ricostruire le tappe fondamentali dell’evoluzione del machine learning applicato a mercati, trading e gestione patrimoniale
- Esplorare le tecniche di machine learning in finanza: riconoscere e confrontare algoritmi supervisionati e non supervisionati (regressione, alberi decisionali, RNN/LSTM, Transformer) e discuterne l’uso per prevedere rendimenti, volatilità e credit scoring
- Valutare implicazioni etiche e di governance nel machine learning in finanza: acquisire consapevolezza dei rischi di bias algoritmico, della necessità di trasparenza e dell’adeguamento alle normative (es. EU AI Act), oltre all’importanza della supervisione umana
In particolare, in conformità della classificazione ESCO (Classificazione europea di abilità/competenze, qualifiche e occupazioni) sarai in grado di:
- Area: Machine Learning e Analisi Dati
- sviluppare abilità e competenze relative a “tecnologie dell'informazione e della comunicazione (tic)”
- Area: Applicazioni per la Finanza e il Risk Management.
- sviluppare abilità e competenze relative a “analisi degli investimenti”
- Area: Etica, Governance e Normativa
- sviluppare abilità e competenze relative a “normativa sulla sicurezza e protezione dei dati”
Prerequisiti
Conoscenza base dei fondamenti di informatica e di finanza.
Attività
Oltre a fruire dei contenuti del corso, costituiti da video e da altri tipi di risorse online, ti saranno proposte varie tipologie di attività che contribuiranno a rendere più ricca e completa la tua esperienza: attività di riflessione sui contenuti proposti, quiz non valutati, discussioni nel forum.
Schema della sezione
-
-
In questa settimana si gettano le fondamenta del corso, introducendo i concetti chiave del machine learning. Vengono presentate le principali tipologie di apprendimento, come quello supervisionato e non supervisionato, e si definiscono i compiti (task) che un modello di machine learning può svolgere.
-
Il focus si sposta sull'approccio supervisionato. Questa settimana è dedicata all'analisi di due tecniche fondamentali: la classificazione e la regressione, illustrando come vengono utilizzate per creare modelli predittivi.
-
Questa settimana esplora le diverse applicazioni pratiche del machine learning nel mondo della finanza. Si analizza come queste tecniche vengono usate per la previsione dei mercati finanziari e la stima della volatilità.
-
L'ultima settimana si concentra sull'impiego del machine learning in due ambiti strategici: la gestione patrimoniale e quella del rischio. Si approfondisce come gli algoritmi supportano l'ottimizzazione di portafoglio e la gestione del rischio , prestando attenzione anche alle implicazioni etiche e normative.
-
-
-
Trascrizioni video Cartella
-
Valutazione
Il corso prevede l’erogazione di un Open Badge, ottenibile sulla base del punteggio raggiunto rispondendo ai quiz valutati. Hai tentativi illimitati di risposta per ciascun quiz ma dovrai attendere 15 minuti. Il corso si considera completato in modo adeguato all'ottenimento del certificato se raggiungerai almeno il 60% del punteggio complessivo in ciascuno dei quiz valutati. Il punteggio massimo ottenibile in ciascun quiz è indicato all’inizio del quiz stesso. Puoi vedere il punteggio che hai ottenuto nel quiz in corrispondenza dell’ultimo tentativo fatto oppure nella pagina “Valutazione”.
Attestato
Il corso prevede l’erogazione di un Open Badge rispondendo correttamente ad almeno il 60% delle domande in ciascuno dei quiz valutati e rispondendo al questionario finale.
Una volta completate le attività richieste potrai accedere a “Ottieni l’Open Badge”, avviando il rilascio del badge. Le indicazioni per accedere al badge saranno inviate al tuo indirizzo e-mail.
L’Open Badge non è un certificato ufficiale e non dà diritto a crediti universitari, a voti o a diplomi.
Accesso al corso e disponibilità dei materiali
Il corso è erogato in modalità online e gratuito.
Docenti del corso
Andrea Bucci
Docente
Andrea Bucci ricopre il ruolo di ricercatore a tempo determinato di Econometria presso il Dipartimento di Economia e Diritto dell’Università di Macerata.
Gli interessi di ricerca del Dott. Bucci comprendono la previsione della volatilità dei titoli finanziari, anche tramite metodi di machine learning, la modellistica e la previsione di serie temporali non lineari, l’economia della salute e gli aspetti teorici dell’epidemiologia, nonché lo sviluppo di modelli spazio-temporali per lo studio di fenomeni ambientali complessi. Ha partecipato in qualità di relatore invitato e di discussant a numerose conferenze econometriche e statistiche, sia nazionali che internazionali. È editore della rivista BMC Health Services Research (Springer). Il Dott. Bucci è attivamente coinvolto nella comunità di ricerca globale relativa all'uso del machine learning in finanza, in quanto membro della Program Committee della conferenza Financial Econometrics Meets Machine Learning.
Luca Romeo
Docente
Luca Romeo è professore associato di Informatica presso l'Università di Macerata (UniMC), Dipartimento di Economia e Diritto. Inoltre, è affiliato all'Unità di Statistica Computazionale e Machine Learning della Fondazione Istituto Italiano di Tecnologia (IIT) di Genova, Italia. La ricerca del dottor Romeo è incentrata sullo sviluppo di nuovi algoritmi di machine learning per affrontare sfide complesse in domini reali. È autore di oltre 50 pubblicazioni in importanti conferenze e riviste. È editore associato della rivista Neurocomputing (Elsevier) e di Medical & Biological Engineering & Computing (MBEC). Romeo è attivamente coinvolto nella comunità di ricerca globale sull'intelligenza artificiale, in quanto membro del Senior Program Committee (PC) della International Joint Conference on Artificial Intelligence e membro della Ellis Society, una rete paneuropea di eccellenza sull'intelligenza artificiale.
Contatti
Per qualsiasi informazioni sul corso o per problemi tecnici scrivi a pok@polimi.it o consulta la pagina delle FAQ.