Corso di Python per la finanza

Lezione 1 • Flusso di Controllo e Funzioni

Insegna la logica if-else, i cicli e le funzioni riutilizzabili per automatizzare compiti finanziari ripetitivi. Gli studenti scrivono codice modulare scalabile su diversi dataset.

Lezione 2 • Sintassi di Base e Tipi di Dato in Python

Tratta variabili, operatori aritmetici, stringhe, booleani e conversione di tipo. Questi elementi primitivi sono alla base di ogni calcolo finanziario sviluppato in seguito.

Lezione 3 • Configurazione dell'Ambiente Python

Installi Python, Anaconda e Jupyter Notebook per uno spazio di lavoro dedicato alla finanza. Stabilisce la base tecnica da cui dipende ogni capitolo successivo.

Lezione 4 • Strutture Dati in Python

Introduce liste, tuple, dizionari e insiemi come contenitori per dati finanziari. La scelta della struttura corretta migliora l'efficienza e la chiarezza del codice.

Lezione 1 • Operazioni Matematiche Vettorizzate

Applica operazioni aritmetiche elemento per elemento, funzioni universali e broadcasting a serie di prezzi. Elimina i cicli Python per guadagni di velocità notevoli su grandi dataset.

Lezione 2 • Algebra Lineare con NumPy

Utilizza moltiplicazione di matrici, inverse e autovalori per calcoli di portafoglio e di regressione. Fornisce gli strumenti algebrici richiesti nei capitoli successivi su rischio e ottimizzazione.

Lezione 3 • Array NumPy e Metodi di Creazione

Tratta la creazione di ndarray, shape, dtype e l'indicizzazione per serie finanziarie. Gli array costituiscono la base numerica di tutto il lavoro quantitativo successivo.

Lezione 1 • Caricamento e Pulizia dei Dati Finanziari

Legge file di mercato CSV, Excel e JSON, poi gestisce valori mancanti e duplicati. Dati puliti sono il prerequisito per un'analisi finanziaria accurata.

Lezione 2 • Unione e Rimodellamento di DataFrame

Combina dataset finanziari multipli usando merge, join e concat, poi li rimodella con melt e stack. Prepara dati da più fonti per un'analisi unificata.

Lezione 3 • Gestione delle Serie Temporali in Pandas

Gestisce DatetimeIndex, ricampionamento e finestre mobili per serie di prezzi e rendimenti. Le operazioni che tengono conto del tempo sono centrali in ogni flusso di lavoro di analisi finanziaria.

Lezione 4 • Filtraggio, Ordinamento e Raggruppamento

Applica filtri booleani, operazioni di ordinamento e aggregazioni groupby per segmentare i dati finanziari. Consente confronti a livello di settore e tra periodi temporali su grandi dataset.

Lezione 1 • Grafici a Candela e OHLC

Genera grafici open-high-low-close con barre di volume usando mplfinance. Fornisce il formato visivo standard utilizzato nell'analisi del trading azionario e di materie prime.

Lezione 2 • Fondamenti di Matplotlib per la Finanza

Costruisce grafici a linee, a barre e a dispersione di dati finanziari con etichette e formattazione appropriate. Stabilisce le basi di creazione dei grafici estese da tutto il lavoro di visualizzazione successivo.

Lezione 3 • Tecniche Avanzate di Matplotlib

Utilizza sottografici, assi gemelli e annotazioni per visualizzare dashboard finanziari a più pannelli. Consente il confronto affiancato di metriche finanziarie correlate.

Lezione 1 • Indicatori di Performance e Benchmarking

Calcola gli indici di Sharpe, Sortino, Calmar e di informazione per valutare i rendimenti corretti per il rischio. Il confronto con un indice di mercato contestualizza la performance del portafoglio.

Lezione 2 • Valore a Rischio e Expected Shortfall

Stima il VaR e il CVaR usando metodi storico, parametrico e Monte Carlo. Queste misure di rischio di coda sono requisiti standard nella reportistica di gestione del rischio.

Lezione 3 • Calcolo dei Rendimenti degli Asset

Calcola rendimenti semplici, logaritmici e cumulati da serie di prezzi usando Pandas e NumPy. Il calcolo del rendimento è il punto di partenza per ogni analisi di performance e rischio.

Lezione 4 • Analisi di Correlazione e Covarianza

Costruisce matrici di correlazione e covarianza tra i rendimenti degli asset per misurare il co-movimento. Queste matrici sono gli input diretti per l'ottimizzazione di portafoglio nel capitolo successivo.

Lezione 1 • Implementazione dell'Ottimizzazione con SciPy

Utilizza scipy.optimize per minimizzare la varianza di portafoglio soggetta a vincoli sui pesi. Gli studenti traducono problemi di ottimizzazione matematica direttamente in codice Python eseguibile.

Lezione 2 • Ribilanciamento del Portafoglio e Vincoli

Aggiunge limiti settoriali, limiti di turnover e costi di transazione a problemi di ottimizzazione realistici. Collega l'ottimizzazione teorica ai requisiti pratici della gestione di portafoglio.

Lezione 3 • Visualizzazione della Frontiera Efficiente

Simula migliaia di portafogli casuali e traccia la curva della frontiera efficiente. L'output visivo conferma i risultati dell'ottimizzatore e comunica i trade-off agli stakeholder.

Lezione 4 • Metodi Avanzati di Costruzione del Portafoglio

Applica la parità di rischio, Black-Litterman e la parità di rischio gerarchica come alternative alla media-varianza. Affronta l'errore di stima e le debolezze di concentrazione dell'ottimizzazione classica.

Lezione 1 • Valutazione dei Risultati del Backtesting

Analizza curve di equity, drawdown, tassi di vincita e rendimenti corretti per il rischio dall'output del backtest. Una valutazione rigorosa separa le strategie realmente redditizie da quelle sovra-ottimizzate.

Lezione 2 • Indicatori Tecnici e Generazione di Segnali

Calcola medie mobili, RSI, MACD e Bande di Bollinger da dati OHLC. Gli indicatori traducono i dati grezzi di prezzo in segnali di acquisto e vendita concreti.

Lezione 3 • Evitare Sovra-ottimizzazione e Distorsioni

Applica test walk-forward, validazione fuori campione e controlli di sensibilità dei parametri. Queste tecniche impediscono che le strategie siano calibrate sul rumore storico anziché sul segnale.

Lezione 4 • Logica della Strategia e Dimensionamento della Posizione

Codifica le regole di entrata e uscita, poi dimensiona le posizioni usando metodi a frazione fissa e basati sulla volatilità. Il dimensionamento della posizione controlla direttamente il rischio assunto per operazione.

Lezione 1 • Greche e Strategie di Copertura

Calcola e interpreta le Greche delle opzioni, poi costruisce coperture delta-neutrali e gamma-neutrali. La copertura con le Greche è la pratica centrale di gestione del rischio per i portafogli di derivati.

Lezione 2 • Fondamenti delle Opzioni e Diagrammi di Payoff

Definisce call, put, moneyness e scadenza, poi traccia diagrammi di payoff e profitto. La chiarezza concettuale qui è essenziale prima di implementare qualsiasi modello di pricing.

Lezione 3 • Modello di Black-Scholes-Merton

Implementa la formula in forma chiusa BSM per il pricing di opzioni europee e le Greche. Il BSM è il benchmark di settore rispetto al quale vengono confrontati tutti gli altri modelli.

Lezione 4 • Pricing di Opzioni Monte Carlo

Simula percorsi di moto browniano geometrico per prezzare opzioni europee ed esotiche. Monte Carlo estende il pricing a payoff path-dependent oltre la portata analitica.