| 10596221 | MODELLI DI PANEL DATA PER LA FINANZA [SECS-S/03] [ITA] | 1º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi (di Statistica Economica) per la costruzione di modelli di Panel Data applicati allo studio della finanza. Gli studenti devono inoltre saper risolvere i problemi analitici necessari per applicare i suddetti metodi e saper interpretare i risultati che discendono dalla loro applicazione a dati reali.
Obiettivi specifici:
a) Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso, gli studenti conoscono e comprendono i principali problemi per la costruzione di modelli di Panel Data riguardanti lo studio del Sistema Bancario (Nazionale e Internazionale). Si prenderà in considerazione la logica della costruzione di un modello di Panel Data con una o più equazioni per la valutazione del Sistema Bancario, dei condizionamenti derivanti dal sottostante modello economico e della conseguente distinzione delle variabili in esogene ed endogene, per la gestione del sistema bancario (variabili di input e prodotti finanziari). Si prenderà in esame il calcolo del rischio di default del sistema bancario dovuto ai crediti in fallimento. Si utilizzeranno metodi di stima quadratici con diversi tipi di metrica (confrontati con metodi massima verosimiglianza). Le stime dei modelli panel porteranno all’implementazione di formule necessarie alla soluzione dei problemi di finanza in esame.
b) Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi di finanza e di applicare i metodi specifici della disciplina per risolverli. Sono inoltre in grado di trattare i più importanti modelli di Statistica Economica in ambito finanziario con dai panel e di applicare i metodi appresi anche a modelli non trattati nelle lezioni (ad esempio al caso delle Società di Assicurazione e al Sistema Assicurativo in generale). Sono infine in grado di applicare i metodi ai dati e di interpretare i risultati implementando quantitativamente le formule richieste dalla teoria.
c) Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodologie analitiche specifiche a un'ampia gamma di modelli statistico economici per la finanza con dai panel. Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando approcci diversi. Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure ai dati reali.
d) Abilità comunicativa.
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nella prova scritta che in quella orale.
e) Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di adeguare e modificare i modelli studiati a contesti diversi e di derivare le proprietà formali relative.
|
| 10589563 | DATA DRIVEN DECISION MAKING [MAT/09] [ENG] | 2º | 1º | 6 |
Obiettivi formativi General
Managers worldwide, beyond their personal experience, rely more and more on the use of
quantitative decision models which allow to take advantage of today’s data availability. Morover,
new computational tools, including algorithms, cloud computing and distributed processing, make
it possible to both develop and compute analytical models in a very short time, meeting the
requirement of practical applications and often using real time data. Data Driven Decision Making
is the new paradigm for managers to make better, evidence based, more rational, transparent and
reliable decisions.
In this context, the primary educational objective of the course is students' learning of the main
decision problems that arise in real world and the quantitative methods to model them and to
feed them with adequate data. Students must also be able to correctly use, for decision-making
and management purposes, computer tools to analyze data generated by real problems in
different contexts (e.g. service management, marketing, transportation, operations management
and production, and finance) through the analysis of several case studies.
Specific objectives
a) Knowledge and ability to understand
After attending the course the students know and classify the main decision problems arising in
real world organization and the main analytical methods (decision and optimization models and
algorithms) to be used to support a Manager during his/her decision process.
b) Ability to apply knowledge and understanding
At the end of the course the students are able to formalize real problems in terms of decision
problems and to apply the specific methods taught in the course to solve them. They are also able
to classify the type of problem to it the most appropriate quantitative method, experimenting the
effectiveness for decisional purposes also on real problems.
c) Autonomy of judgment
Students develop critical skills through the application of modeling, decision analysis and multi
objective optimization methodologies to a broad set of practical problems. They also develop the
critical sense through the comparison between alternative solutions to the same problem
obtained using methods of analysis and realistic scenarios different from each other. They learn to
critically interpret the results obtained by applying the procedures to real data sets.
d) Communication skills
Students, through the study and the carrying out of practical exercises, acquire the technical-
scientific language of the course, which must be properly used both in the intermediate and final
written tests and in the oral tests. Communication skills are also developed through group
activities.
e) Learning ability
Students who pass the exam have learned methods of decision analysis and multiobjective
optimization that allow them to face, decision-making problems and optimization on complex
organizations.
|
| 1047773 | BIG DATA ANALYTICS [INF/01, SECS-S/01] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
| BIG DATA ANALYTICS [INF/01] [ENG] | 2º | 2º | 3 |
Obiettivi formativi Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
| BIG DATA ANALYTICS [SECS-S/01] [ENG] | 2º | 2º | 3 |
Obiettivi formativi Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
| 10589824 | ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI [SECS-S/01] [ITA] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi.
L’obiettivo principale dell’insegnamento è l’acquisizione degli strumenti statistici avanzati per l’analisi di dati che esprimono relazioni tra oggetti e del loro utilizzo in situazioni reali.
Nell'analisi di un caso di studio reale, lo studente deve essere in grado di formalizzare l’obiettivo statistico, elaborare una strategia di analisi, applicare autonomamente le metodologie apprese e interpretare i risultati.
Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono le problematiche e i temi principali legati allo studio delle matrici di
relazione (ad esempio, correlazioni, distanze) e le metodologie classiche per affrontare e gestire tali tematiche ad esempio, riduzione dimensionale, classificazione).
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare un problema statistico di analisi di strutture relazionali e di selezionare le metodologie appropriate per affrontarlo e gestirlo.
Inoltre possiedono la competenze di base per motivare scelte alternative e verificarne assunzioni e l’applicabilità.
Infine, sono in grado di applicare i metodi a situazioni reali e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano le capacità critiche tramite l’applicazione delle metodologie apprese dal punto vista teorico che sono in grado di applicare in autonomia utilizzando un software statistico.
La capacità di elaborare dati reali in autonomia e di produrre il risultato riflette autonomia di analisi e sviluppo di senso e giudizio critico che deriva dalla necessità di operare scelte e confronti motivati e supportati dagli strumenti teorici appresi.
In aggiunta, gli studenti imparano ad interpretare criticamente i risultati ottenuti sui dati reali.
Abilità comunicativa.
Gli studenti, attraverso l’elaborazione autonoma e la produzione di brevi rapporti tecnici, acquisiscono il linguaggio tecnico-scientifico della disciplina, dando particolare rilievo alla capacità di comunicare informazioni e risultati con un linguaggio rigoroso ma comprensibile anche ad interlocutori non specialisti.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso:
a) metodologie avanzati delle statistica mirate all’analisi di dati con strutture relazionali e la capacità di affrontare eventuali approfondimenti in corsi di studio in area statistica o nei contesti applicativi in cui la statistica è impiegata;
b) gli strumenti applicativi che permettono di applicare le metodologie apprese e costruire una strategia di analisi in autonomia
|
| 1017084 | ECONOMETRIA [SECS-P/05] [ITA] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi.
Lo scopo delle lezioni è fornire una trattazione esaustiva dei principali argomenti riguardanti il modello lineare (OLS, MLE, IV, teoria asintotica ed inferenza) per analisi cross-section ed una breve introduzione all'analisi di dati discreti.
Gli studenti devono comprendere i problemi analitici dei suddetti metodi e saperli applicare a situazioni concrete.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi legati al modello lineare di regressione (per esempio: assenza di esogenità) ed i principali metodi da utilizzare per risolvere tali problemi (per esempio: stimatore IV).
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali in termini del modelli lineare di regressione e di applicare i metodi specifici della disciplina per risolverli.
Sono inoltre in grado di applicare i metodi a situzioni concrete e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano una conoscenza della proprietà analitiche delle metodologie presentate e la capacità di costruire programmi per la loro implementazione.
Imparano inoltre ad interpretare criticamente i risultati ottenuti applicando le procedure a situazioni concrete.
Abilità comunicativa.
Gli studenti acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte intermedie e finali che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area quantitativa, lo studio delle proprietà analitiche in contesti modellistici più complessi.
|
| 10589835 | COMPUTATIONAL STATISTICS [SECS-S/01] [ENG] | 1º | 1º | 6 |
Obiettivi formativi Learning goals
The main goal of the course is to learn about common general computational tools and methodologies to perform reliable statistical analyses.
Students will be able
to understand the theoretical foundations of the most important methods;
to appropriately implement and apply computational statistical procedures;
to interpret the results deriving from their applications to real data. .
(a) Knowledge and understanding
After attending the course, students will know and understand the most important computational techniques in statistical analysis. In addition, students will be able to appropriately implement the learned tools with the statistical software R and to develop original ideas often in a research context.
(b) Applying knowledge and understanding
At the end of the course, students will be able to formalize statistical problems from a computational point of view, to apply the learned methods to solve them, also in contexts not covered in the lessons, and to interpret the results deriving from their applications to real data.
c) Making judgements
Students will develop critical skills through the application of computational methodologies to a wide range of statistical problems and through the comparison of alternative solutions to the same problem by using different tools. Furthermore, they will learn to interpret critically the results obtained by applying procedures to real datasets.
(d) Communication skills.
By studying and carrying out practical exercises, students will acquire the technical-scientific language of the discipline, which must be suitably used in the final written test. Communication skills will also be developed through group activities.
(e) Learning skills
Students who pass the exam have learned computational techniques useful in statistical analysis and to work self-sufficiently to face the complexity of the statistical problems.
|
| 10596191 | STATISTICA APPLICATA [SECS-S/01] [ITA] | 1º | 2º | 6 |
Obiettivi formativi Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è lo studio di Temi di Statistica Applicata. Data la vastità del dominio applicativo si focalizzerà in particolare sull'analisi quantitativa applicata al settore della finanza e delle metodologie e algoritmi di automazione dei mercati. Gli studenti dovranno saper risolvere i problemi analitici necessari per applicare i suddetti metodi e saper interpretare i risultati che discendono dalla loro applicazioni a dati reali.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso gli studenti devono acquisire un profilo completo di analista quantitativo ("quant"), sia per quanto concerne la conoscenza delle metodologie, sia per quanto riguarda la capacità di implementarle nell'ambito di linguaggi moderni di programmazione, quali ad esempio c#, c++, vb.net, j# in generale l'ambiente
integrato di sviluppo Visual Studio.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado modellizzare tutte le fasi dell'analisi quantitativa, inclusi i processi di simulazione, modellizzazione delle strategie, calcolo di indici di performance e costruzione delle distribuzioni empiriche di probabilità dei principali indici di performance.
c) Autonomia di giudizio
Gli studenti sviluppano capacità critiche attraverso la creazione di nuove strategie e il corrispondente studio simulativo, sia con tecniche di backtesting che forward testing.
Sia con dati simulati, mediante misture di processi aleatori, sia mediante le serie storiche osservate nel passato.
d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte intermedie e finali che nelle prove orali. Le abilità comunicative vengono sviluppate anche attraverso attività programmazione in laboratorio e anche attività di ricerca in gruppi.
e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso i metodi di analisi che consentono loro di affrontare problemi concreti di "quantitative analysis" e se necessario di poter intervenire su qualunque fase del complesso processo che va dall'acquisizione dello stream di dati finanziari in tempo reale, alla sua analisi statistica ai fini della creazione di strategie di automazione, alla valutazione quantitativa delle metodologie. Hanno inoltre la capacità di implementare qualunque metodologia richiesta in un ambiente di sviluppo moderno, di programmazione OOP, e interfacce grafiche avanzate.
|
| 10596189 | SOCIAL NETWORK ANALYSIS [SPS/07] [ENG] | 2º | 1º | 6 |
Obiettivi formativi 1. Conoscenza e comprensione. Che cosa lo studente dovrà conoscere sui temi oggetto del corso dopo aver sostenuto con successo l’esame.
Dopo aver sostenuto con successo l’esame, lo studente avrà acquisito conoscenze di base sulla storia e lo sviluppo della network analysis quale metodologia autonoma di analisi dei dati relazionali; sulle principali scuole e autori che ne hanno segnato la crescita nell’ambito degli studi sulla struttura e sulle dinamiche intra e inter gruppo (Moreno, Freeman, Mit, Harvard School). Gli studenti conosceranno le proprietà delle matrici di dati relazionali; alcuni concetti di base riferiti ai nodi e alle relazioni (linee, direzione); alcune misure caratteristiche delle reti (indegree, oudegree, densità, centralità e centralizzazione, betweenness, closeness, clustering); alcune tecniche statistiche di analisi (componenti, nuclei e clique); le rappresentazioni grafiche delle reti sociali.
2. Capacità di applicare conoscenza e comprensione: che cosa lo studente dovrà saper fare (quali competenze avrà acquisito) sui temi oggetto del corso dopo aver sostenuto con successo l’esame
Dopo aver sostenuto con successo l’esame, lo studente dovrà avere acquisito competenze per a) applicare a fenomeni sociali complessi gli schemi teorici appresi, traducendoli operativamente in domande di ricerca, obiettivi e ipotesi di lavoro; b) raccogliere e organizzare i dati in forma relazionale e trattarli statisticamente, calcolando le misure più appropriate e utilizzando le tecniche apprese; c) utilizzare i software Sas Viya e Ucinet.
3. Attività che concorrono allo sviluppo di capacità critiche e di giudizio
Lo sviluppo di capacità critiche e di giudizio sono sviluppate attraverso il coinvolgimento degli studenti nel lavoro in aula. La metodologia didattica adottata prevede che lo studente, da solo o in gruppo, osservi, analizzi, commenti, interpreti, sperimenti, al fine di sviluppare una autonoma capacità di decisione e soluzione di problemi, di sintesi e di giudizio rispetto ai problemi di analisi proposti dalla docente.
4. Attività che concorrono allo sviluppo delle capacità di comunicare quanto si è appreso
La capacità di comunicare quanto è appreso deve essere sviluppata attraverso il lavoro di gruppo e attività di presentazione e discussione dei risultati relativi alle diverse attività d’aula svolte (analisi di dati e presentazioni dei risultati raggiunti).
5. Capacità di proseguire in modo autonomo lo studio dei temi affrontati
Le competenze acquisite oltre a rafforzare ed arricchire le conoscenze già in possesso degli studenti, contribuiranno a potenziare la capacità di apprendimento di metodi e tecniche più avanzate di analisi di fenomeni sociali sia a livello teorico che applicativo.
|
| 10589567 | SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA [SECS-S/02] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Learning goals
The student at the end of the course should be able to use with knowledge advanced modeling and exploratory techniques specifically developed for spatially dependent data. This is achieved by assigning several homeworks on real data. Practical sessions with the R software are part of each lecture, so to allow students to implement what is taught in the theoretical part. Among the expected results, ability to elaborate spatial environmental data using R software, ability to interpret the results obtained, ability to choose the most suitable statistical models according to the hypotheses they are founded on and to their compatibility with the available data.
Knowledge and understanding
The student will be able to understand the main tools for the analysis of spatial and spatio-temporal data.
Applying knowledge and understanding
Students will be involved in the discussion and analysis of case studies using the open source statistical software R. Students will be asked to prepare and discuss a presentation of the results of their homeworks. The presentation will be given in front of the class and discussed.
Making judgements
Through the homeworks and the final presentations discussions, students will develop judgements capacity in terms of theoretical choices in representation of real world phenomena.
Communication skills
Students will be asked to prepare and discuss a presentation of the results of their homeworks. The presentation will be given in front of the class and discussed.
This procedure will help the student to develop his/her ability to communicate the results of its work.
Learning skills
One of the aims of the course is to build a statistical glossary and a dictionary of specific statistical concepts that will allow the student to read and understand scientific papers using advanced statistical tools in the analysis of environmental data.
|
