Di cosa si tratta: Una visione moderna dell'asset management vede il machine learning ridefinire la costruzione di portafogli e i processi decisionali in ambito finanziario. Si parte dai limiti degli approcci classici, basati su ipotesi statiche, relazioni lineari e stime dei parametri spesso instabili, per introdurre metodi data-driven che si adattano all'evoluzione dei regimi di mercato e alle interazioni tra classi di attività finanziarie.
Perché la validazione incrociata standard non è adatta ai dati finanziari con dipendenza temporale?
Qual è la differenza tra overfitting e underfitting e come si riconoscono nelle curve di errore?
Come agisce la regolarizzazione Ridge sui coefficienti di un modello lineare?
In che cosa la regolarizzazione Lasso differisce da Ridge nella selezione delle variabili?
Come si costruisce un albero decisionale per la previsione dei rendimenti e quali criteri di split si usano?
Perché il metodo random forest riduce la varianza rispetto a un singolo albero?
Come funziona il boosting del gradiente e quali iperparametri controllano la complessità del modello?
Quali sono i vantaggi e i limiti della riduzione dimensionale con analisi delle componenti principali nei dati di rendimento?
Come si applica il clustering gerarchico alla costruzione di un portafoglio diversificato?
Che cosa si intende per data snooping e come influisce sulla valutazione di una strategia di trading?
Quale metrica si usa per valutare la qualità di un modello di previsione dei rendimenti fuori campione?
Come si calcola il rapporto di Sharpe di una strategia a partire da una serie di rendimenti?
Perché il turnover elevato di una strategia può ridurre il rendimento netto di un portafoglio?
Come si costruisce una rete neurale semplice per prevedere un rendimento e quali funzioni di attivazione si usano?
Quali sono le fasi di un walk-forward test per valutare una strategia su dati storici?
Come si interpreta la matrice di confusione quando il modello classifica titoli in crescita o in calo?
Perché la stima del rischio di un portafoglio può essere migliorata con tecniche di shrinkage sulla matrice di covarianza?
In che modo il problema del rapporto segnale-rumore limita la capacità di previsione sui mercati azionari?
Come si confrontano due modelli predittivi con un test statistico sulla differenza degli errori di previsione?
Quali ipotesi devono valere per giustificare l'uso di un modello di previsione in un contesto di gestione patrimoniale?
Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.
Domande frequenti Libri, programma ed esami del prof. Maurizio Morini a Bologna
Che libro usa il prof. Maurizio Morini per Machine Learning For Asset Management a Bologna?
Per Machine Learning For Asset Management (Canale unico) indica come obbligatorio: de Prado – Advances in Financial Machine Learning, de Prado – Machine Learning for Asset Managers, de Prado – Causal Factor Investing, Jansen – Machine Learning for Trading.
Quanto è impegnativo Machine Learning For Asset Management?
3 CFU, difficoltà stimata 7.8 su 10 rispetto agli esami della stessa area.
Dove trovo la scheda ufficiale di un esame?
Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.
Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.
Questo sito usa solo strumenti tecnici (nessun cookie di profilazione). I link ai negozi sono link di affiliazione. Cookie policy · Privacy