Machine Learning and Artificial Intelligence for Quantitative Finance
Prerequisiti
Nozioni di base sulla teoria della probabilità e di statistica. Conoscenza di Python. Il corso è rivolto agli studenti del quarto e quinto anno di matematica e fisica e ai dottorandi in matematica, fisica e informatica.
Programma
Introduzione al machine learning e ai suoi limiti in ambito finanziario. Modelli supervisionati (modelli lineari, alberi decisionali, metodi ensemble e reti neurali) e metriche di valutazione. Previsione dei rendimenti e interpretabilità dei modelli. Previsione della volatilità mediante modelli econometrici e tecniche di machine learning. Modelli per la riduzione della dimensionalità (PCA, modelli fattoriali, autoencoder; confronto tra Fama–French, PCA e IPCA). Clustering, rilevazione delle anomalie e sbilanciamento delle classi. Introduzione al text mining e ai modelli linguistici di grandi dimensioni (LLM) in finanza.
Reservoir Computing per l’analisi delle serie storiche finanziarie. Reinforcement Learning per le decisioni finanziarie. Multi-agent reinforcement learning. Arbitraggio statistico. Mercati decentralizzati (DEX).
Obiettivi formativi
L'obiettivo del corso è fornire una panoramica di alcuni dei recenti progressi nell'utilizzo del machine learning e dell'intelligenza artificiale nei mercati finanziari. Parte delcorso si basa su recenti pubblicazioni scientifiche su questi aspetti.
Riferimenti bibliografici
Note, articoli e slide forniti dai docenti.
- Hastie, T., Tibshirani, R., and Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
- López de Prado, M. (2018). Advances in financial machine learning. John Wiley & Sons.
- Matteo Cucchi, Steven Abreu, Giuseppe Ciccone, Daniel Brunner and Hans Kleemann, Hands-on reservoir computing: a tutorial for practical implementation, Neuromorph. Comput. Eng. 2 (2022) 032002
- Hambly, B., Xu, R., & Yang, H. (2023). Recent advances in reinforcement learning in finance. Mathematical Finance, 33(3), 437–503.