Corso di data science per la finanza

Lezione 1 • Tipi e Fonti di Dati Finanziari

Distingue i dati finanziari strutturati, non strutturati e alternativi. Gli studenti identificano le fonti appropriate per ogni caso d'uso analitico.

Lezione 2 • Ambiente Python per l'Analisi Finanziaria

Imposta un ambiente Python riproducibile con librerie rilevanti per la finanza. Gli studenti scrivono i loro primi script di dati finanziari utilizzando pandas e NumPy.

Lezione 3 • Mercati e Strumenti Finanziari Fondamentali

Tratta mercati azionari, reddito fisso, derivati e FX come sistemi generatori di dati. Fornisce il contesto finanziario necessario per tutto il successivo lavoro analitico.

Lezione 1 • Costruzione di Pipeline di Dati Riproducibili

Insegna la progettazione modulare di pipeline utilizzando funzioni e file di configurazione. Garantisce che i flussi di lavoro dei dati siano verificabili e riutilizzabili tra progetti.

Lezione 2 • Normalizzazione e Trasformazione dei Dati

Tratta scaling, trasformazione logaritmica e calcolo dei rendimenti per le serie finanziarie. Prepara i dati nei formati richiesti dai modelli statistici e ML a valle.

Lezione 3 • Recupero Programmabile di Dati di Mercato

Dimostra il recupero basato su API di dati su prezzi, volumi e fondamentali. Collega l'acquisizione dei dati alla pipeline analitica introdotta nel Capitolo 1.

Lezione 1 • Test di Ipotesi in Finanza

Applica t-test, metodi bootstrap e correzioni per test multipli a ipotesi finanziarie. Protegge da risultati spuri in grandi set di dati finanziari.

Lezione 2 • Analisi di Correlazione e Covarianza

Misura le relazioni lineari e basate sul rango tra attività finanziarie. Getta le basi per la costruzione di portafogli e l'analisi fattoriale.

Lezione 3 • Pattern di Serie Temporali e Stagionalità

Identifica trend, cicli ed effetti di calendario nei dati finanziari. Sviluppa la consapevolezza degli artefatti dei dati che possono fuorviare i modelli predittivi.

Lezione 4 • Visualizzazione dei Dati Finanziari

Crea grafici a candela, distribuzioni dei rendimenti e grafici di drawdown utilizzando matplotlib e plotly. Una visualizzazione efficace accelera la generazione di ipotesi.

Lezione 1 • Backtesting dei Modelli di Rischio

Convalida i modelli VaR utilizzando il conteggio delle eccezioni e test statistici. Garantisce che i modelli di rischio soddisfino gli standard di prestazione interni e normativi.

Lezione 2 • Value at Risk e Expected Shortfall

Deriva VaR e ES utilizzando metodi parametrici, storici e Monte Carlo. Collega le metriche di rischio al capitale regolamentare e ai limiti di rischio interni.

Lezione 3 • Scomposizione del Rischio di Portafoglio

Scompone il rischio totale di portafoglio in componenti fattoriali e idiosincratiche. Consente l'attribuzione del rischio a singole posizioni ed esposizioni sistematiche.

Lezione 4 • Metodi di Stima della Volatilità

Calcola stime di volatilità storica, EWMA e GARCH per le attività finanziarie. La volatilità è l'input fondamentale per tutti i modelli di rischio e prezzo.

Lezione 1 • Modelli Lineari per la Previsione Finanziaria

Applica la regressione OLS, ridge e lasso alla previsione dei rendimenti e alla modellazione fattoriale. I modelli lineari fungono da baseline interpretabili per tutto il successivo lavoro di ML.

Lezione 2 • Gradient Boosting per Dati Finanziari Tabulari

Implementa XGBoost e LightGBM su set di dati finanziari strutturati. Il gradient boosting supera costantemente i modelli più semplici sui dati finanziari tabulari.

Lezione 3 • Interpretabilità e Spiegabilità del Modello

Utilizza i valori SHAP e i grafici di dipendenza parziale per spiegare le previsioni del modello. L'interpretabilità è essenziale per la conformità normativa e la fiducia degli stakeholder.

Lezione 4 • Valutazione dei Modelli in Contesti Finanziari

Applica la convalida incrociata, il test walk-forward e le metriche di prestazione finanziaria. Previene il look-ahead bias e l'overfitting nella valutazione dei modelli di serie temporali.

Lezione 1 • Modelli Classici di Serie Temporali

Adatta i modelli ARIMA e SARIMA a serie finanziarie stazionarie e stagionali. Stabilisce le baseline di previsione statistica prima di introdurre approcci basati su ML.

Lezione 2 • Previsione della Volatilità con Modelli GARCH

Estende GARCH a EGARCH e GJR-GARCH per catturare la volatilità asimmetrica. Le previsioni di volatilità alimentano direttamente il pricing delle opzioni e la gestione del rischio.

Lezione 3 • Combinazione e Ensemble di Previsioni

Combina le previsioni di più modelli per ridurre la varianza e migliorare l'accuratezza. I metodi ensemble sono pratica standard nella previsione finanziaria in produzione.

Lezione 4 • Reti Neurali Ricorrenti per Sequenze

Costruisce reti LSTM e GRU per la previsione di dati finanziari sequenziali. I modelli di sequenza profondi catturano dipendenze a lungo raggio non rilevate dai modelli classici.

Lezione 1 • Valutazione della Prestazione della Strategia

Misura la qualità della strategia utilizzando le metriche di Sharpe, Sortino, Calmar e drawdown. Distingue l'alfa genuino dalla fortuna utilizzando test di significatività statistica.

Lezione 2 • Dimensionamento delle Posizioni e Costruzione del Portafoglio

Applica il criterio di Kelly, il targeting della volatilità e l'ottimizzazione media-varianza per dimensionare le posizioni. Un corretto dimensionamento determina i rendimenti corretti per il rischio realizzati.

Lezione 3 • Generazione di Segnali e Ricerca Alfa

Costruisce segnali di trading basati sul prezzo, fondamentali e derivati dal ML. La qualità del segnale è misurata dall'analisi del coefficiente di informazione e del decadimento.

Lezione 4 • Overfitting e Robustezza della Strategia

Rileva e mitiga l'overfitting mediante test walk-forward e sensibilità dei parametri. Le strategie robuste mantengono la prestazione in regimi di mercato non osservati.

Lezione 1 • Monitoraggio del Modello e Rilevamento del Drift

Monitora i modelli implementati per il data drift, il concept drift e il degrado delle prestazioni. Il monitoraggio proattivo previene i guasti silenziosi del modello nei sistemi live.

Lezione 2 • Comunicare i Risultati agli Stakeholder

Traduce output complessi del modello in report pronti per i dirigenti e dashboard interattive. Una comunicazione efficace guida l'adozione della scienza dei dati nei team finanziari.

Lezione 3 • Sistemi di Rilevamento Frodi

Progetta pipeline di rilevamento frodi in tempo reale utilizzando il rilevamento di anomalie e la classificazione. Affronta lo sbilanciamento estremo di classe e i vincoli di latenza in produzione.

Lezione 4 • Modellazione del Rischio di Credito su Larga Scala

Costruisce pipeline di credit scoring end-to-end utilizzando il ML su grandi set di dati di prestiti. Tratta la probabilità di insolvenza, la loss given default e la governance del modello.