Università degli Studi di Napoli "Parthenope"

Scheda dell'insegnamento

Anno accademico: 
2021/2022
Tipologia di insegnamento: 
A scelta dello studente
Tipo di attività: 
Opzionale
Corso di afferenza: 
Settore disciplinare: 
METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE (SECS-S/06)
Crediti: 
6
Anno di corso: 
2
Docenti: 
Dott.ssa MARINO Zelda
Ciclo: 
Secondo Semestre
Ore di attivita' frontale: 
48

Obiettivi

Questo corso mira a fornire una panoramica introduttiva e ampia del campo del Machine Learning (ML) con particolare attenzione alle applicazioni in finanza. Durante il corso verranno illustrate le principali tecniche di ML, nonché le metodologie e le best practices per applicarle in contesti aziendali. Da un lato il corso mira a creare la giusta consapevolezza di cosa sia il ML, partendo dalla sua evoluzione storica per arrivare allo stato dell'arte della tecnologia. Dall’altro, il corso è invece dedicato allo sviluppo di modelli di machine learning per risolvere problemi reali in finanza.
Risultati di apprendimento attesi
Conoscenza e capacità di comprensione: sviluppare una forte comprensione delle applicazioni comuni dell'apprendimento automatico in finanza.
Capacità di applicare conoscenza e comprensione: lo studente dovrebbe imparare ad utilizzare con successo le tecniche classiche di Machine Learning e le loro applicazioni in ambito finanziario; avere una conoscenza più approfondita dell'apprendimento supervisionato (regressione e classificazione) e dell'apprendimento non supervisionato e le loro applicazioni; costruire modelli di apprendimento automatico per risolvere problemi pratici in finanza.
Autonomia di giudizio: lo studente deve essere in grado di utilizzare le conoscenze acquisite anche in modo autonomo, applicandole anche ad altri problemi economici.
Abilità comunicative: lo studente deve essere in grado di rispondere in modo chiaro ed esaustivo alle domande dell'esame orale.
Capacità di apprendimento: lo studente deve essere in grado di dimostrare una buona capacità di apprendimento, ampliando, ad esempio, le proprie conoscenze con l'uso di riferimenti bibliografici pertinenti.

Prerequisiti

Contenuti

Apprendimento senza supervisione
Applicazioni finanziarie: rendimenti azionari, stima della matrice di correlazione azionaria
Apprendimento supervisionato: Regressione. Alberi decisionali. SVM. Reti neurali.
Applicazioni finanziarie: previsione dei prezzi, modellizzazione dei fallimenti bancari

Metodi didattici

tradizionale (lezioni in aula) Durante le lezioni verranno discussi e presentati gli argomenti indicati nel programma di studio. Le lezioni si terranno in laboratorio al fine di implementare le tecniche studiate. Il linguaggio R sarà utilizzato per lo sviluppo del software. La metodologia didattica è supportata da una piattaforma e-learning in cui verranno caricati materiali ed esercizi per lo studio.

Verifica dell'apprendimento

La valutazione si basa su una prova orale strutturata per valutare il raggiungimento da parte dello studente degli obiettivi di apprendimento. Durante la prova orale lo studente dovrà discutere gli elementi di software sviluppati durante il corso. Gli studenti dovrebbero essere in grado di mostrare e illustrare i concetti fondamentali acquisiti durante gli studi. Il colloquio orale tratterà tutti gli argomenti del programma. Il voto della prova orale è espresso in trentesimi. La lode può essere assegnata se lo studente dimostra di essere in grado, nelle risposte, di approfondire gli argomenti trattati al di là di quanto affermato nei testi di riferimento e nei materiali presentati a lezione.

Testi

Altre informazioni