ECONOMETRICS FOR FINANCIAL MARKETS

Obiettivi formativi

L’obiettivo principale dell'insegnamento è quello di introdurre lo studente ai principi, alle tecniche e ad una pratica avanzata dell’analisi econometrica in campo economico e finanziario, con particolare riguardo a: misurare le variabili economiche non-osservabili, verificare la validità delle teorie economiche, prevedere l’andamento futuro delle variabili economiche reali e finanziarie, valutare gli effetti delle politiche macro e micro-economiche. Verranno inoltre affrontate anche alcune situazioni in cui non siano applicabili gli strumenti dell'analisi di regressione lineare classica. In particolare, verranno considerati i modelli per variabili dipendenti limitate e i modelli autoregressivi vettoriali (VAR). Gli argomenti verranno presentati facendo un uso estensivo di applicazioni a dati reali in ambito economico e finanziario, per conseguire una migliore comprensione dei concetti descritti, e per introdurre lo studente alla pratica delle tecniche di stima e di validazione. Gli studenti che abbiano superato l’esame con successo avranno acquisito le conoscenze necessarie per comprendere gli strumenti di base dell'econometria e la loro applicabilità alla soluzione di problemi economici e finanziari di interesse. Grazie all'ausilio di esempi realistici gli studenti saranno in grado di applicare gli strumenti dell'econometria per rispondere a domande economiche e finanziarie di interesse. Gli studenti saranno in grado di svolgere e discutere autonomamente analisi empiriche, valutando l’eventuale violazione delle assunzioni di base. Infine, gli studenti saranno in grado di interpretare e presentare i risultati dei modelli stimati, in forma orale e scritta.

Canale 1
STEFANO SIMONE GALIANI Scheda docente

Programmi - Frequenza - Esami

Programma
- Overview of Python and R data analysis tools and programming concepts. - Introduction to Numpy, Pandas series, and Scipy modules for the analysis of financial data series and indicators. - Overview of the classical linear regression models, assumptions and diagnostic tests. - Univariate time series modelling and forecasting: Moving average processes, Autoregressive processes, The partial autocorrelation function, ARMA processes; Examples of time series modelling in finance. - Modelling relationships in finance: Stationarity and unit root testing; Testing for unit roots; Cointegration. - Modelling volatility: Historical volatility and Implied volatility models. Advanced implied return distribution extraction techniques. - Covariance modelling in finance via Copula Functions. Multivariate risk management measures and interpretation. - Introduction to Machine Learning applied to financial markets: Linear Regression, Classification, Random Forests, Support Vector Machines. Application in Python via the SKLearn library applied to real estate prices, bank loans data and credit card transaction pools.
Prerequisiti
Teoria della probabilità end inferenza statistica. Elementi di calcolo stocastico e matematica finanziaria relativa a opzioni. Programmazione di base. La prima parte del corso fornirà comunque agli studenti basi sui concetti di Python e R rilevanti per gli argomenti del corso.
Testi di riferimento
Articoli, primers, e research papers saranno forniti direttamente dal docente. Brooks, C. (2019). Introductory Econometrics for Finance (4th ed.), Cambridge University Press. Kelliher, C. (2022) Quantitative Finance with Python: A Practical Guide to Investment Management, Trading and Financial Engineering, Routledge Cherubini, U. et al. Copula Methods in Finance (2004), Wiley Finance Hilpisch, Y., Listed Volatility and Variance Derivatives: A Python-based Guide (2016), Wiley Finance
Frequenza
- Lezioni - Assignment individuale e di gruppo - Tutorials di programmazione
Modalità di esame
L' esame si compone di due parti: - la prima comprende domande di revisione per verificare la conoscenza teorica e la comprensione critica; - il secondo consiste in una serie di assignments che coprono aspetti empirici ed è finalizzato alla verifica delle competenze applicate. Gli assignments vengono svolti in gruppo durante il semestre e prevede una periodica presentazione formale (di gruppo) delle metodologie adottate e dei modelli sviluppati.
Modalità di erogazione
Lezioni frontali, esercitazioni pratiche in laboratorio e progetti di gruppo
  • Codice insegnamento10592800
  • Anno accademico2025/2026
  • CorsoFinanza e assicurazioni - Finance and insurance
  • CurriculumFinancial risk and data analysis - in lingua inglese
  • Anno2º anno
  • Semestre1º semestre
  • SSDSECS-P/05
  • CFU12