Finanza e assicurazioni - Finance and insurance

VALENTINA LAGASIO
VALENTINA LAGASIO

Il corso tratta i fondamenti teorici dell’Intelligenza Artificiale (AI) applicata alla finanza, con particolare attenzione alle tecniche di Machine Learning e alle reti neurali. Obiettivo del corso è illustrare l’uso dell’AI nei modelli di business bancari e finanziari, proponendo anche l’analisi dell’impatto dell’adozione di questo tipo di strumenti nei sistemi economico-finanziari, anche a livello internazionale. Il corso fornisce sia le basi teoriche, sia le metodologie pratiche che permettono di sfruttare tecniche di AI all'avanguardia per lo studio di problemi del mondo bancario e finanziario. Al termine del corso, gli studenti e le studentesse avranno acquisito le conoscenze necessarie per analizzare e valutare l'adozione di tecnologie di Intelligenza Artificiale nel settore bancario e finanziario, in particolare sulle tecnologie di Machine Learning utilizzate per lo sviluppo di nuovi modelli di business finanziari e nelle strategie di trading. Saranno in grado di identificare la modellizzazione più adatta per descrivere un dato contesto finanziario/assicurativo/previdenziale; sapranno valutare criticamente l’adeguatezza degli approcci di Intelligenza Artificiale in funzione del problema specifico da affrontare selezionando la tecnica più appropriata; sapranno utilizzare software e applicativi per svolgere le analisi empiriche e implementare concretamente i modelli quantitativi appresi nel corso. Saranno in grado di valutare criticamente l’adeguatezza di dell’uso di tecniche di Intelligenza Artificiale in funzione del problema specifico da affrontare, tenendo conto del contesto applicativo specifico e delle implicazioni etiche e regolamentari. Sapranno presentare in modo chiaro ed efficace i risultati delle proprie analisi, anche attraverso l’uso di visualizzazioni e report tecnici; sapranno comunicare con un linguaggio tecnico appropriato, anche in contesti professionali e internazionali. Svilupperanno la capacità di aggiornare autonomamente le proprie competenze e saranno in grado di approfondire le tecniche apprese nel corso per adattarle a nuove problematiche in ambito bancario e finanziario.

Obiettivi formativi

Il corso tratta i fondamenti teorici dell’Intelligenza Artificiale (AI) applicata alla finanza, con particolare attenzione alle tecniche di Machine Learning e alle reti neurali.

Obiettivi specifici (Descrittori di Dublino):

Conoscenza e comprensione. Lo studente acquisirà una solida comprensione dei fondamenti teorici dell’Intelligenza Artificiale applicata alla finanza, con particolare attenzione alle tecniche di Machine Learning supervisionato e non supervisionato, alle reti neurali e al Natural Language Processing. Sarà inoltre in grado di comprendere il ruolo dell’AI nei modelli di business bancari e finanziari e i principali impatti organizzativi e regolamentari dell’adozione di tali tecnologie. Al termine del corso, lo studente avrà acquisito una solida conoscenza teorico-metodologica per analizzare in chiave comparata i sistemi economico-finanziari internazionali, con particolare attenzione al loro funzionamento e ai fattori che ne influenzano l’evoluzione. Conoscerà gli approcci e le principali metodologie quantitative utilizzate nella misurazione e gestione del rischio dagli operatori e avrà le competenze per comprenderne di nuove.

Capacità di applicare conoscenza e comprensione. Lo studente sarà in grado di applicare metodi e strumenti di Intelligenza Artificiale a problemi pratici del mondo bancario e finanziario. Saprà utilizzare linguaggi e librerie di programmazione, in particolare utilizzando il software Python, per eseguire analisi empiriche. Saprà risolvere problemi per via analitica, classificare e analizzare eventi finanziari, costruire modelli predittivi e processare dati testuali. Sarà inoltre in grado di utilizzare software di calcolo e strumenti di data science per l’elaborazione di dataset complessi e per la valutazione delle performance dei modelli quantitativi. Lo studente sarà dunque in grado di applicare i modelli economici teorici ed empirici per valutare e interpretare criticamente i fenomeni economico-finanziari in contesti reali.

Autonomia di giudizio. Lo studente sarà in grado di valutare criticamente l’adeguatezza di specifici approcci di Intelligenza Artificiale in funzione del problema specifico da affrontare. Saprà identificare i limiti di ciascun metodo e selezionare in modo autonomo la tecnica più appropriata, tenendo conto delle caratteristiche dei dati, del contesto applicativo e delle implicazioni etiche e regolamentari. Sarà inoltre capace di interpretare i risultati in modo consapevole, confrontando le alternative disponibili. Lo studente sarà in grado di identificare la modellizzazione più adatta per descrivere un dato contesto finanziario/assicurativo/previdenziale e le metodologie più efficienti per risolvere il relativo problema.

Abilità comunicative. Lo studente sarà in grado di presentare in modo chiaro ed efficace i risultati delle proprie analisi, anche attraverso l’uso di visualizzazioni e report tecnici. Durante il corso, svilupperà capacità di lavoro in gruppo e di presentazione orale, grazie alla discussione di casi studio e alla presentazione del progetto. Saprà comunicare con un linguaggio tecnico appropriato, anche in contesti professionali e internazionali.

Capacità di apprendimento. Lo studente svilupperà la capacità di aggiornare autonomamente le proprie competenze, grazie all’esposizione a materiali didattici avanzati come paper accademici, dataset reali, codici eseguibili. Sarà in grado di approfondire le tecniche apprese e di adattarle a nuove problematiche in ambito bancario e finanziario. Il corso stimola l’apprendimento attivo attraverso esercitazioni pratiche, favorendo la crescita di competenze trasversali. Il corso permetterà allo studente di avere le capacità di apprendimento per un costante aggiornamento metodologico e contenutistico, anche in ambito lavorativo. Ciò agevolerà l’accesso a percorsi avanzati di perfezionamento, master di secondo livello e dottorati di ricerca in ambito quantitativo. Infine lo studente avrà acquisito le capacità di apprendere il significato delle norme e della loro applicazione, in chiave critica e non solo ricettiva.

Non ci sono prerequisiti vincolanti. Tuttavia, gli studenti dovrebbero preferibilmente conoscere gli aspetti principali della gestione bancaria (ad esempio la gestione del rischio) e padroneggiare la statica di base per l'analisi dei dati finanziari.

1. INTRODUZIONE AL CORSO
• Risk management in banking • Financial risks
2. IL RUOLO DELL'INTELLIGENZA ARTIFICIALE NELLE BANCHE E NEI MERCATI FINANZIARI
• Machine Learning, Deep Learning, and Data Science
• Applicazioni e d esempi in Banking and Finance (case studies)
3. INTRODUZIONE A PYTHON AND (FINANCIAL) DATA GATHERING
• Descrizione dei principali pacchetti Python per la finanza
• Descrizione delle principali fonti di dati
• Analisi della struttura dei diversi database
• Exploratory data analysis and Descriptive statistics
4. SUPERVISED LEARNING: OVERVIEW
• Regression (specific skills for ML applications)
• Support Vector Machine
• K-Nearest Neighbors
• Linear Discriminant Analysis
• Classification and Regression Trees
5. MODEL PERFORMANCE
• Overfitting and Underfitting
• Cross Validation
• Evaluation Metrics
6. SUPERVISED LEARNING: REGRESSION
• Linear Regression (specific skills for ML applications)
• Logistic Regression (specific skills for ML applications)
• Polynomial Regression (specific skills for ML applications)
• Applications and examples in Banking and Finance (i.e. determinants of bank default; asset price prediction; ...): coding exercises and academic papers discussion
7. SUPERVISED LEARNING: CLASSIFICATION
• Classification Predictive Modeling
• Binary Classification
• Multi-Label Classification
• Imbalanced Classification
• Applications and examples in Banking and Finance (i.e. loan defaults; fraud detection; ...): coding exercises and academic papers discussion
8. ARTIFICIAL NEURAL NETWORKS
• Architecture
• Training
• Hyperparameters
• Applications and examples in Banking and Finance (i.e. determinants of bank default; ...): coding exercises and academic papers discussion
9. UNSUPERVISED LEARNING: OVERVIEW
• Dimensionality reduction • Clustering
10. MODEL PERFORMANCE • Evaluation Metrics
11. UNSUPERVISED LEARNING: DIMENSIONALITY REDUCTION • Feature selection
• Feature extraction
• Applications and examples in Banking and Finance (i.e. risk management; ...): coding exercises and academic papers discussion
12. UNSUPERVISED LEARNING: CLUSTERING
• K-means
• Hierarchical clustering
• Applications and examples in Banking and Finance (i.e. bank business models identi- fication; ...): coding exercises and academic papers discussion
13. NATURAL LANGUAGE PROCESSING
• Topic modeling
• Sentiment analysis
• Applications and examples in Banking and Finance (i.e. trading strategies; crypto sentiment evaluation; ...): coding exercises and academic papers discussion
14. ETHICS AND TRANSPARENCY IN ARTIFICIAL INTELLIGENCE • (How to deal with) applications and examples
15. PROJECT PRESENTATIONS AND CONCLUSION OF THE COURSE
• Group presentations
• Wrapping up of the course
16. REAL WORLD EXPERIENCES
• Lessons from regulators (European Central Bank; Bank of Italy; ...) • Practitioners (Bankers; Financial or industrial companies; ...)

Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.

Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.
e riferimenti forniti a lezione

La modalità di svolgimento del corso si basa su lezioni in presenza, affiancate da attività di confronto guidato, esercitazioni pratiche e, in alcuni casi, seminari con professionisti del settore, con l'obiettivo di approfondire tematiche specifiche e favorire il collegamento con il mondo applicativo.

Non obbligatoria ma fortemente consigliata

La valutazione finale del corso si basa su:
Prova scritta con domande a risposta multipla (peso: 1/3 del voto finale)
Progetto di gruppo con presentazione (peso: 2/3 del voto finale)
Il voto finale è espresso in trentesimi.
La sufficienza è raggiunta con una votazione maggiore o uguale a 18/30.

Domande a risposta multipla
What is the aim of lemmatization in NLP?
(a) To split text into tokens.
(b) To reduce words to their base or dic- tionary form.
(c) To remove stop words.

C'è solo 1 risposta corretta (+1 punto). Le risposte in bianco valgono 0 punti, le risposte errate valgono -0,25.

• INTRODUCTION TO THE COURSE• Risk management in banking • Financial risks
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• THE ROLE OF ARTIFICIAL INTELLIGENCE IN BANKING AND FINANCE• Machine Learning, Deep Learning, and Data Science• Applications and examples in Banking and Finance (case studies presentation)
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• INTRODUCTION TO PYTHON AND (FINANCIAL) DATA GATHERING• Describing the main Python packages for finance • Describing the main sources of financial data• Analyzing the different database structures• Exploratory data analysis and Descriptive statistics
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• SUPERVISED LEARNING: OVERVIEW• Regression (specific skills for ML applications) • Support Vector Machine• K-Nearest Neighbors• Linear Discriminant Analysis• Classification and Regression Trees
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• MODEL PERFORMANCE• Overfitting and Underfitting • Cross Validation• Evaluation Metrics
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• SUPERVISED LEARNING: REGRESSION Linear Regression Logistic Regression ; Polynomial Regression; Applications and examples in Banking and Finance (i.e. determinants of bank default; asset price prediction; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• SUPERVISED LEARNING: CLASSIFICATION Predictive Modeling; Binary Classification; Multi-Label Classification; Imbalanced Classification; Applications and examples in Banking and Finance (i.e. loan defaults; fraud detection; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• ARTIFICIAL NEURAL NETWORKS Architecture; Training; Hyperparameters; Applications and examples in Banking and Finance (i.e. determinants of bank default; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• UNSUPERVISED LEARNING: OVERVIEW• Dimensionality reduction • Clustering
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• MODEL PERFORMANCE • Evaluation Metrics
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• UNSUPERVISED LEARNING: DIMENSIONALITY REDUCTION • Feature selection; Feature extraction; Applications and examples in Banking and Finance (i.e. risk management; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• UNSUPERVISED LEARNING: CLUSTERING K-means; Hierarchical clustering; Applications and examples in Banking and Finance (i.e. bank business models identification; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• NATURAL LANGUAGE PROCESSING Topic modeling; Sentiment analysis; Applications and examples in Banking and Finance (i.e. trading strategies; crypto sentiment evaluation; ...): coding exercises and academic papers discussion
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• ETHICS AND TRANSPARENCY IN ARTIFICIAL INTELLIGENCE • (How to deal with) applications and examples
  • Testi di riferimento: Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.


• PROJECT PRESENTATIONS AND CONCLUSION OF THE COURSE• Group presentations• Wrapping up of the course


• REAL WORLD EXPERIENCES• Lessons from regulators (European Central Bank; Bank of Italy; ...) • Practitioners (Bankers; Financial or industrial companies; ...)