Corso su machine learning in finanza

Lezione 1 • Concetti Fondamentali di ML per la Finanza

Introduce i paradigmi di apprendimento supervisionato, non supervisionato e per rinforzo. Collega ciascun paradigma a compiti finanziari ricorrenti come la previsione e il clustering.

Lezione 2 • Ambiente Python per il ML Finanziario

Predispone uno stack Python riproducibile con le librerie chiave. Gli studenti eseguono pipeline di dati end-to-end prima di affrontare i capitoli di modellazione.

Lezione 3 • Tipi e Fonti di Dati Finanziari

Esamina i dati strutturati e alternativi utilizzati in finanza. Gli studenti imparano a valutare la qualità, la frequenza e le licenze dei dati prima della modellazione.

Lezione 4 • Fondamenti Statistici per il ML Finanziario

Ripassa probabilità, distribuzioni e test di ipotesi applicati alle serie finanziarie. Fornisce il kit di strumenti statistici necessario per la successiva valutazione dei modelli.

Lezione 1 • Etichettatura e Costruzione dei Target

Definisce etichette forward-looking per compiti di classificazione e regressione. Un'etichettatura corretta previene il look-ahead bias e allinea i target agli obiettivi di trading.

Lezione 2 • Convalida Incrociata per Serie Temporali

Implementa la convalida incrociata purged ed embargo per i dati finanziari. Previene la fuga di informazioni tra le pieghe di addestramento e di convalida.

Lezione 3 • Pulizia dei Dati e Controllo di Qualità

Affronta valori mancanti, outlier e azioni societarie nei dati di prezzo. Dati puliti sono il prerequisito per tutte le fasi successive di ingegnerizzazione delle caratteristiche.

Lezione 4 • Ingegnerizzazione delle Caratteristiche per Serie di Prezzi

Deriva caratteristiche tecniche e statistiche dai dati OHLCV. Queste caratteristiche costituiscono lo spazio di input primario per i modelli predittivi nei capitoli successivi.

Lezione 1 • Ottimizzazione degli Iperparametri

Applica grid search, ricerca casuale e ottimizzazione bayesiana ai modelli finanziari. Un'efficiente messa a punto riduce il costo computazionale migliorando le prestazioni fuori campione.

Lezione 2 • Macchine a Vettori di Supporto e Kernel

Applica le SVM alla classificazione finanziaria con kernel lineari e non lineari. La massimizzazione del margine fornisce garanzie teoriche utili in mercati rumorosi.

Lezione 3 • Modelli ad Albero per la Classificazione

Introduce alberi decisionali, random forest e gradient boosting per la previsione direzionale. I metodi ensemble migliorano la robustezza rispetto agli approcci a modello singolo.

Lezione 4 • Valutazione e Selezione del Modello

Definisce metriche finanziarie specifiche oltre l'accuratezza, inclusi punteggi basati sullo Sharpe. Gli studenti selezionano i modelli utilizzando quadri di confronto statisticamente validi.

Lezione 1 • Rilevamento di Anomalie nei Dati Finanziari

Rileva outlier e cambi di regime utilizzando isolation forest e autoencoder. I segnali di anomalia alimentano i flussi di lavoro di gestione del rischio e rilevamento frodi.

Lezione 2 • Tecniche di Riduzione Dimensionale

Tratta PCA, t-SNE e UMAP per comprimere caratteristiche finanziarie ad alta dimensionalità. Le rappresentazioni ridotte migliorano la stabilità del modello e la visualizzazione.

Lezione 3 • Modelli a Fattori Latenti

Estrae fattori di rischio latenti mediante analisi fattoriale e NMF. Collega i fattori guidati dai dati alla teoria tradizionale del pricing degli attivi.

Lezione 4 • Clustering per il Raggruppamento di Attivi

Applica k-means, clustering gerarchico e DBSCAN per raggruppare gli attivi in base al comportamento. I cluster informano la diversificazione e la costruzione di portafogli indipendenti dal settore.

Lezione 1 • Reti Ricorrenti per Serie Temporali

Implementa RNN vanilla e LSTM su sequenze di prezzi e volumi. I meccanismi di gating affrontano la scomparsa del gradiente in lunghe storie finanziarie.

Lezione 2 • Fondamenti di Reti Neurali

Tratta reti feedforward, funzioni di attivazione e retropropagazione. Fornisce le basi architetturali necessarie prima di introdurre i modelli ricorrenti.

Lezione 3 • Modelli Transformer in Finanza

Introduce i meccanismi di attenzione e gli encoder Transformer per sequenze finanziarie. L'auto-attenzione cattura dipendenze non locali su orizzonti temporali lunghi.

Lezione 4 • Strategie di Addestramento e Regolarizzazione

Affronta sovradattamento, scheduling del tasso di apprendimento ed early stopping per reti neurali finanziarie. Protocolli di addestramento adeguati sono critici data la limitatezza dei dati non stazionari.

Lezione 1 • Quadro di Backtesting di Portafoglio

Costruisce un motore di backtesting rigoroso con assunzioni realistiche. Gli studenti identificano e correggono i bias comuni del backtesting prima del deployment reale.

Lezione 2 • Generazione e Combinazione di Segnali Alpha

Converte gli output del modello ML in segnali alpha negoziabili. La combinazione di segnali tramite stacking e blending migliora l'information ratio.

Lezione 3 • Media-Varianza e Oltre

Applica l'ottimizzazione di Markowitz e le sue estensioni utilizzando input stimati con ML. Affronta l'errore di stima nelle matrici di covarianza con metodi di shrinkage.

Lezione 4 • Costi di Transazione e Controllo del Turnover

Incorpora modelli di costo realistici nell'ottimizzazione di portafoglio. I vincoli di turnover prevengono l'erosione dell'alpha dovuta a un eccessivo ribilanciamento.

Lezione 1 • Modelli di Previsione della Volatilità

Confronta le previsioni GARCH, a volatilità realizzata e basate su LSTM. Stime accurate della volatilità alimentano direttamente il pricing delle opzioni e i limiti di rischio.

Lezione 2 • Rischio di Mercato e Value at Risk

Stima il VaR e l'expected shortfall mediante simulazione storica e metodi potenziati dal ML. La modellazione del rischio di coda migliora le assunzioni parametriche di normalità.

Lezione 3 • Rilevamento di Frodi e Anomalie

Rileva transazioni fraudolente e manipolazione del mercato utilizzando ML supervisionato e non supervisionato. La gestione delle classi sbilanciate è centrale per modelli antifrode efficaci.

Lezione 4 • Stress Test e Analisi di Scenario

Genera scenari avversi utilizzando GAN e analoghi storici. Gli stress test rivelano le vulnerabilità del portafoglio oltre le stime VaR standard.

Lezione 1 • Governance dei Modelli e Audit Trail

Stabilisce flussi di lavoro di documentazione, convalida e approvazione per i modelli ML finanziari. I quadri di governance soddisfano le aspettative normative per la gestione del rischio di modello.

Lezione 2 • Inferenza in Tempo Reale e Latenza

Ottimizza i modelli per lo scoring a bassa latenza nei sistemi di trading e rischio. I budget di latenza differiscono tra casi d'uso, dall'alta frequenza al fine giornata.

Lezione 3 • Monitoraggio del Modello e Rilevamento del Drift

Tiene traccia del data drift, del concept drift e del degrado delle prestazioni in produzione. Il rilevamento precoce previene guasti silenziosi del modello nei sistemi finanziari reali.

Lezione 4 • MLOps per Applicazioni Finanziarie

Tratta pipeline CI/CD, registri dei modelli e containerizzazione per il ML finanziario. Le pipeline automatizzate riducono il rischio di deployment e accelerano i cicli di iterazione.