Laurea Magistrale in Economia dei Mercati e degli Intermediari Finanziari

Conoscenza delle nozioni di matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale. È richiesta una conoscenza di base del software statistico MatLab.

Introduzione al Machine learning. Supervised learning. Metodi di regolarizzazione (Ridge, Lasso, Elastic net). Neural networks (architetture, backpropagation, metodi del gradiente). Applicazione alla valutazione di derivati finanziari. Classificazione (regressione logistica, Naive Bayes, KNN, Neural Networks), matrice di confusione, curva ROC. Unsupervised learning. Clustering (K-Means). Modelli mistura.

Dispense Fornite in Aula

J. Hull, Machine Learning in Business, III Edition

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani - An Introduction to Statistical Learning (second edition), Springer Texts in Statistics, (August 2021)

Hastie, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.

L'attività didattica, in coerenza con gli obiettivi formativi del corso, adotta un approccio che integra, nella stessa lezione, teoria e pratica, con esercitazioni guidate con l’uso del software MatLab, e momenti di discussione collettiva di risultati e problematiche legate all’analisi empirica.
In ciascuna lezione la spiegazione dei fondamenti teorici e intervallata da esempi pratici usando il software MatLab, con l'obiettivo di rafforzare la capacità degli studenti di applicare strumenti analitici alla soluzione di problemi reali. Durante le lezioni, gli studenti sono attivamente incoraggiati a porre domande, esprimere dubbi, sviluppare osservazioni critiche, motivando le proprie argomentazioni con gli strumenti concettuali e tecnici appresi. Questo approccio interattivo consente di sviluppare competenze trasversali, quali la capacità di ragionamento critico, il problem solving quantitativo, l’interpretazione strutturata di evidenza empirica, e il supporto alle decisioni.
Considerata la natura fortemente applicata e interattiva del corso, la frequenza è vivamente raccomandata.

La prova di esame è la stessa per frequentanti e non frequentanti e valuta la preparazione complessiva dello studente, la padronanza degli argomenti trattati durante il corso, sia dal punto di vista teorico che pratico.

L'esame finale consiste in una prova scritta della durata di 90 minuti, articolata in due esercizi: il primo esercizio avrà un’impostazione più teorica, richiedendo ad esempio la discussione di risultati e/o teoremi trattati durante il corso. Il secondo sarà una prova pratica e richiederà la scrittura di codice MatLab e l’interpretazione dei relativi output.

Per superare l'esame, lo studente dovrà ottenere un punteggio minimo di 18 in entrambi gli esercizi della prova. Il voto finale sarà calcolato come media aritmetica del punteggio ottenuto nei due esercizi.

Gli studenti devono prenotarsi all’esame attraverso il portale: https://delphi.uniroma2.it. Chi non supera o decide di ritirarsi dalla prova potrà ripeterla nella stessa sessione d’esami.


Criteri per la formulazione del giudizio espresso in trentesimi

Non idoneo: gravi lacune e/o imprecisioni nella conoscenza dei concetti econometrici di base (es. specificazione del modello, ipotesi per la stima); scarsa comprensione dei metodi di stima e inferenza; limitate capacità di interpretare i risultati empirici; argomentazioni generiche e prive di rigore.

18 - 20: conoscenza appena sufficiente dei principali argomenti trattati; comprensione debole dei presupposti metodologici; capacità di analisi e sintesi basilari, ma con incertezze; autonomia di giudizio sufficiente.

21 - 23: conoscenza operativa dei metodi di stima trattati; capacità di applicare e discutere modelli econometrici semplici; analisi corretta e argomentazioni logicamente coerenti, anche se non particolarmente approfondite.

24 - 26: buona padronanza dei contenuti teorici e applicativi; capacità di effettuare interpretazioni statisticamente corrette e coerenti; argomentazioni espresse con rigore metodologico.

27 - 29: conoscenza completa e sicura degli strumenti econometrici trattati nel corso, inclusi casi avanzati; ottima capacità di analisi critica, sintesi e autonomia nella valutazione dei risultati empirici.

30 - 30L: eccellente padronanza dei metodi econometrici, anche in contesti complessi; spiccate capacità analitiche e argomentative; originalità nell’approccio ai problemi; elevata autonomia di giudizio e capacità di collegare teoria, tecnica e applicazione empirica.

conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.

Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati

Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)

Supervised learning

- linear regression: regolarizzazione (lasso, ridge, elastic net);

- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;

- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.

Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)

J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition

HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.

J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
J. Hull, Machine Learning in Business, III Edition
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)

P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.

2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula.
Gli studenti dovranno portare il proprio pc con R funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )

Regolamento esame

Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula

Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali

Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati

Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)

Supervised learning

- linear regression: regolarizzazione (lasso, ridge, elastic net);

- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;

- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.

Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)

J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition

HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009

2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula

Regolamento esame

Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula

Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali