ARTIFICIAL INTELLIGENCE IN BANKING AND FINANCE

Obiettivi formativi

CONTENUTO Il corso di Artificial Intelligence in Banking and Finance pone le basi per lo sviluppo di nuovi modelli di business finanziari e strategie di trading con tecniche di intelligenza artificiale. È pensato per gli studenti interessati alle applicazioni di intelligenza artificiale nel mondo delle banche e dei mercati finanziari. Il corso ha un duplice scopo: fornire una base teorica per procedure fondamentali ed esempi empirici utilizzando tecniche all'avanguardia. Nell'ambito del corso saranno esaminati gli effetti significativi che l'adozione di nuove tecnologie potrebbe avere sulle operazioni aziendali convenzionali. Il corso fornisce agli studenti le conoscenze necessarie per analizzare e valutare l'adozione delle tecnologie di Intelligenza Artificiale e Machine Learning nel settore bancario e finanziario. OBIETTIVI Al termine del corso di Artificial Intelligence in Banking and Finance, gli studenti avranno una conoscenza approfondita delle origini dell'Intelligenza Artificiale con un focus sulle tecnologie più utilizzate di Machine Learning, nonché dei fattori tecnologici che supportano il business e le loro varie applicazioni pratiche nel mondo delle banche e dei mercati finanziari. Il corso si propone di formare gli studenti con le competenze appropriate per risolvere problemi pratici che possono incontrare nel mondo reale: identificare i problemi in un panorama generale di metodi di Intelligenza Artificiale disponibili; capire quale/i approccio/i di Intelligenza Artificiale sono più adeguati alla risoluzione del problema; ed essere in grado di implementare con successo una soluzione e valutarne le prestazioni.

Canale 1
VALENTINA LAGASIO Scheda docente

Programmi - Frequenza - Esami

Programma
1. INTRODUCTION TO THE COURSE • Risk management in banking • Financial risks 2. 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) 3. 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 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; ...)
Prerequisiti
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.
Testi di riferimento
Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance. O’Reilly Media.
Frequenza
Non obbligatoria
Modalità di esame
Sistema di valutazione • Esame finale – STUDENTI FREQUENTANTI * Progetto di gruppo (con presentazione in aula) * Esame scritto individuale – STUDENTI NON FREQUENTANTI * Esame scritto individuale • Pesi – STUDENTI FREQUENTANTI * Class participation: 5/30 * Valutazione del progetto di gruppo: 15/30 * Esame scritto individuale: 13/30 – STUDENTI NON FREQUENTANTI * Esame scritto individuale: 33/30
Modalità di erogazione
Lezioni frontali e esercitazioni
  • Codice insegnamento10607268
  • Anno accademico2025/2026
  • CorsoEconomia politica - Economics
  • CurriculumMacroeconomics and finance (Percorso valido anche fini del conseguimento del doppio titolo italo-belga) - in lingua inglese
  • Anno2º anno
  • Semestre2º semestre
  • SSDSECS-P/11
  • CFU6
  • Ambito disciplinareAziendale