MODELS FOR RISK AND FORECASTING

Obiettivi formativi

L’insegnamento mira ad introdurre le principali misure di rischio per il risk management, come ad esempio il Valore al Rischio o l’Expected Shortfall, ed a costruire modelli che siano in grado di stimarle e prevederle utilizzando dati finanziari. Verranno costruiti sia modelli statistici che dinamici che evolvono nel tempo al fine di effettuare previsioni sul rischio futuro. Saranno introdotte varie misure di rischio che hanno impatto differente sull’asset pricing, sull’allocazione di capitali, sulle scelte di portafoglio e sulle scelte di investimento. In aggiunta verranno introdotti indici e misure di rischio sistemico per valutare l'interconnessione nella propagazione del rischio all’interno di sistemi economici e finanziari. Per l’analisi dei dati reali si prevede il ricorso ai software statistici più comuni, intesi come strumenti di lavoro e di approfondimento. Gli studenti che abbiano superato l’esame con successo avranno acquisito la conoscenza e le tecniche principali per quantificare modelli di rischio e di rischio sistemico e per valutarli in un’ottica previsiva di bontà della misura scelta a seconda del problema da affrontare usando tecniche di backtesting. Gli studenti che abbiano superato l’esame con successo avranno inoltre acquisito una sensibilità all’analisi empirica dei dati. A partire da problemi reali e dati reali sapranno definire le strategie migliori per la misura ed il controllo del rischio in ambiente finanziario. Gli studenti saranno in grado di analizzare criticamente i risultati ottenuti evidenziando vantaggi e svantaggi delle procedure adottate. La capacità critica degli studenti verrà stimolata attraverso l’analisi di casi reali e mediante la presentazione finale di un progetto di ricerca atto a valutare anche la capacità dello studente di presentare adeguatamente quanto appreso. La comprensione delle metodologie illustrate durante le lezioni permetterà agli studenti di saper affrontare problematiche legate al risk management sia in ambito lavorativo che di ricerca.

Canale 1
ANDREA TANCREDI Scheda docente

Programmi - Frequenza - Esami

Programma
Modelli mistura; L'algoritmo EM Modelli hidden Markov: aspetti computazionali e loro applicazioni in finanza; Distribuzioni predittive, filtering e smoothing Modelli a volatilità stocastica e loro confronto con modelli arch e garch; Modelli state-space. Filtro di Kalman. Interpretazione bayesiana del filtro di Kalman Modelli per serie storiche multivariate; I modelli VAR. La cointegrazione. I modelli VECM. I modelli garch multivariati Modelli per valori estremi. La distribuzione generalizzata dei valori estremi. Il massimo a blocchi. La distribuzione generalizzata dei valori estremi per le eccedenze
Prerequisiti
Probabilità e Processi Stocastici: variabili casuali univariate e multiple, convergenza di successioni di variabili casuali, catene di Markov Inferenza statistica: funzione di verosimiglianza, modello lineare, modelli lineari generalizzati Serie storiche: modelli arma, arch e garch
Testi di riferimento
Zucchini, Mac Donald, Langrock. Hidden Markov models for time series. An introduction using R (2016). CRC press Durbin, Koopman. Time Series Analysis by State Space Methods. (2nd edition) 2012. Oxford University Press Ruppert, Matteson. Statistics and Data Analysis for Financial Engineering. (2nd edition) 2015. Springer Coles. Extreme value models, Springer 2001 Dispense a cura del docente Sito classroom: zipdihm
Frequenza
Non obbligatoria
Modalità di esame
La valutazione avverrà attraverso la discussione di un progetto e di una prova orale
Modalità di erogazione
Il corso prevede lezioni frontali in aula e attività di laboratorio attraverso il software R
  • Codice insegnamento10592804
  • Anno accademico2025/2026
  • CorsoFinanza e assicurazioni - Finance and insurance
  • CurriculumFinancial risk and data analysis - in lingua inglese
  • Anno2º anno
  • Semestre2º semestre
  • SSDSECS-S/03
  • CFU9