Corso di Big Data Analytics per la Finanza

Lezione 1 • Ruoli Chiave in un Team Finanziario Data-Driven

Definisce le responsabilità di data engineer, analisti, data scientist e data steward all'interno delle organizzazioni finanziarie. Aiuta gli studenti a posizionare il proprio ruolo nell'ecosistema.

Lezione 2 • Definire le Caratteristiche dei Big Data

Tratta le cinque V—volume, velocità, varietà, veridicità, valore—applicate ai dataset finanziari. Ancora tutti i contenuti tecnici e strategici successivi.

Lezione 3 • Driver Aziendali per la Trasformazione dei Dati

Identifica le pressioni competitive, normative e operative che spingono le aziende finanziarie verso modelli data-driven. Inquadra la logica strategica del corso.

Lezione 1 • Framework di Calcolo Distribuito

Introduce i framework di elaborazione batch e in streaming utilizzati per gestire grandi dataset finanziari. Prepara gli studenti alla costruzione pratica di pipeline nei capitoli successivi.

Lezione 2 • Piattaforme Cloud per i Dati Finanziari

Esamina i principali modelli di servizio cloud e i loro modelli di adozione nel settore finanziario. Affronta le considerazioni su conformità, latenza e costi specifiche della finanza.

Lezione 3 • Database Relazionali vs. Non Relazionali

Contrappone i paradigmi SQL e NoSQL utilizzando esempi di dati finanziari. Stabilisce criteri per la scelta della tecnologia di storage in base alla struttura dei dati e alle esigenze di interrogazione.

Lezione 4 • Progettazione e Orchestrazione di Pipeline di Dati

Tratta la costruzione di pipeline end-to-end, dall'acquisizione ai livelli di serving. Collega le scelte infrastrutturali a flussi di dati affidabili e verificabili richiesti nella finanza.

Lezione 1 • Framework di Governance dei Dati Normativi

Mappa le politiche di governance ai requisiti normativi finanziari in materia di conservazione, lineage e reporting dei dati. Consente agli studenti di costruire strutture di governance conformi.

Lezione 2 • Gestione dei Metadati e Cataloghi Dati

Illustra i metadati di business e tecnici e il loro ruolo nella reperibilità dei dati. Collega l'implementazione del catalogo a una fornitura di analisi più rapida e affidabile.

Lezione 3 • Dimensioni e Metriche della Qualità dei Dati

Definisce completezza, accuratezza, coerenza, tempestività e unicità come dimensioni misurabili della qualità. Stabilisce la baseline di misurazione per i programmi di governance.

Lezione 4 • Tecniche di Profilazione e Pulizia dei Dati

Applica metodi statistici e basati su regole per rilevare e correggere difetti nei dataset finanziari. Supporta direttamente l'affidabilità dei modelli e l'accuratezza del reporting.

Lezione 1 • Riduzione della Dimensionalità ed Esplorazione delle Feature

Utilizza PCA e clustering per ridurre la complessità nei dataset finanziari ad alta dimensionalità. Collega l'EDA all'ingegneria delle feature per il machine learning nei capitoli successivi.

Lezione 2 • Statistica Descrittiva per Dati Finanziari

Applica misure di tendenza centrale, dispersione e forma a serie temporali finanziarie e dati cross-sectional. Costruisce l'intuizione statistica necessaria per lo sviluppo dei modelli.

Lezione 3 • Visualizzazione dei Dati per Approfondimenti Finanziari

Seleziona e costruisce grafici appropriati per tipi di dati finanziari e pubblico. Collega i principi di progettazione visiva a una comunicazione efficace con gli stakeholder.

Lezione 4 • Tecniche di Esplorazione delle Serie Temporali

Identifica trend, stagionalità e rotture strutturali nelle serie temporali finanziarie. Prepara gli studenti alla previsione e al rilevamento di anomalie nei capitoli successivi.

Lezione 1 • Previsione di Mercato e Previsione dei Rendimenti

Applica modelli di serie temporali e ensemble per prevedere i rendimenti e la volatilità degli asset. Valuta criticamente i rischi di overfitting specifici dei dati dei mercati finanziari.

Lezione 2 • Modellazione del Rischio di Credito

Costruisce modelli di probabilità di default e perdita in caso di default utilizzando i dati del debitore. Collega gli output del modello ai flussi di lavoro di allocazione del capitale e decisione sui prestiti.

Lezione 3 • Rilevamento Frodi con Machine Learning

Applica il rilevamento di anomalie e la classificazione per identificare transazioni fraudolente. Affronta i requisiti di scoring in tempo reale e i vincoli di implementazione operativa.

Lezione 4 • Valutazione e Selezione del Modello

Applica metriche di contesto finanziario—AUC, Gini, indice di Sharpe—per confrontare e selezionare i modelli. Garantisce che gli studenti scelgano modelli allineati agli obiettivi aziendali, non solo ai punteggi statistici.

Lezione 1 • Monitoraggio del Rischio e della Conformità in Tempo Reale

Implementa motori di regole in streaming per violazioni dei limiti, screening delle sanzioni e alert AML. Applica direttamente lo stream processing a scenari di conformità finanziaria ad alta posta in gioco. Progettazione di un motore di regole in streaming

Lezione 2 • Sistemi di Dati per Trading a Bassa Latenza

Affronta i requisiti di dati a livello di microsecondi per contesti di trading algoritmico e ad alta frequenza. Tratta ottimizzazioni hardware, di rete e software per latenza ultra-bassa.

Lezione 3 • Piattaforme di Event Streaming nella Finanza

Esamina sistemi di messaggistica ad alto throughput utilizzati per dati di mercato ed eventi transazionali. Collega le capacità della piattaforma ai requisiti dei casi d'uso finanziari.

Lezione 4 • Finestratura e Aggregazione negli Stream

Applica finestre tumbling, sliding e di sessione per calcolare metriche finanziarie in tempo reale. Consente agli studenti di costruire indicatori di rischio e performance a finestra mobile.

Lezione 1 • Analisi dei Grafi per Reti Finanziarie

Modella reti di controparti, proprietà e transazioni utilizzando algoritmi sui grafi. Identifica concentrazioni di rischio sistemico e anelli di frode invisibili all'analisi tabellare.

Lezione 2 • Apprendimento per Rinforzo per la Gestione del Portafoglio

Applica l'apprendimento basato su ricompensa all'asset allocation dinamica e all'ottimizzazione dell'esecuzione. Introduce gli studenti ai framework agente-ambiente nel processo decisionale finanziario.

Lezione 3 • IA Spiegabile per Decisioni Finanziarie

Applica SHAP, LIME e visualizzazione dell'attenzione per interpretare output di modelli complessi. Affronta le aspettative normative per la trasparenza dei modelli nelle decisioni di credito e rischio.

Lezione 4 • Deep Learning per Segnali Finanziari

Applica architetture LSTM, CNN e transformer a dati finanziari sequenziali e tabellari. Estende il toolkit di modellazione degli studenti oltre i metodi di machine learning classico.

Lezione 1 • Misurare il ROI delle Iniziative di Analisi

Definisce KPI finanziari e operativi per quantificare il valore fornito dai programmi di analisi. Consente agli studenti di costruire business case e mantenere la sponsorizzazione esecutiva.

Lezione 2 • Scalare e Sostenere la Trasformazione

Affronta i meccanismi di governance, piattaforma e organizzativi per scalare l'analisi oltre i progetti pilota. Garantisce che la trasformazione offra un vantaggio competitivo duraturo.

Lezione 3 • Progettazione di un Modello Operativo Data-Driven

Riprogetta i flussi di lavoro della funzione finanziaria per integrare l'analisi nei processi decisionali. Affronta i cambiamenti strutturali, di processo e culturali necessari per una trasformazione duratura.

Lezione 4 • Valutazione della Maturità Analitica

Valuta le attuali capacità di dati e analisi di un'organizzazione rispetto a un modello di maturità. Fornisce la baseline diagnostica per costruire una roadmap di trasformazione.