Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
2° Anno Sarà attivato nell'A.A. 2026/2027
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
2 modules among:
- 1st year - Knowledge representation, Natural Language Processing, HCI - Multimodal Systems - delivered in 2025/2026
- 2nd year - AI & cloud - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer vision & deep learning - delivered in 2025/2026 and in 2026/2027
2 courses among (mutually exclusive with the previous ones):
- 1st year - Knowledge representation, Natural language processing, HCI - multimodal systems - delivered in 2025/2026
- 2nd year - AI & cloud, Visual intelligence - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer Vision & deep learning, Statistical learning - delivered in 2025/2026 and in 2026/2027 2 courses among the following
- A.A. 2025/2026 Network Science not activated
- A.A. 2026/2027: Complex Systems not activated1 course among the followingLegenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
AI and finance (2025/2026)
Codice insegnamento
4S010697
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- AI and finance del corso Laurea magistrale in Artificial Intelligence [LM-18]
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE
Periodo
II semestre dal 2 mar 2026 al 12 giu 2026.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
L’obiettivo di questo corso è quello di mostrare la relazione tra i principali metodi di machine learning ed i metodi standard per l’econometria finanziaria. Durante il corso studentesse e studenti verranno inizialmente introdotti i fondamenti dell'econometria bayesiana (inferenza, selezione del modello). Seguirà la presentazione di Regressione Bayesiana e Processi Gaussiani (e.g., prezzi e sensitività con Processi gaussiani) seguiti da una descrizione approfondita dell'apprendimento supervisionato (Reti neurali feedforward, vincoli di convessità e disuguaglianza, allenamento validazione e test, discesa del gradiente stocastico). Nella seconda parte del corso gli studenti avranno modo di acquisire conoscenze sui concetti di modellizzazione più importanti dell'econometria finanziaria (come riferimento per le prestazioni). La modelizzazione autoregressiva e la calibrazione di modelli per serie temporali verranno presentati. Seguirà l’introduzione di reti neurali ricorrenti e il confronto dei due approcci e delle rispettive performance.
Verrà infine introdotto il modello di Markowitz per la costruzione del portafoglio e spiegato il principio dell’ottimizzazione dell’utilità attesa. Dopo aver introdotto le basi del reinforcement learning verrano illustrate delle possibili applicazioni in questo contesto.
Prerequisiti e nozioni di base
Per il corso è necessario avere familiarità con la programmazione in Python così come con la matematica di base.
Programma
Durante il corso studentesse e studenti verranno inizialmente introdotti i fondamenti dell'econometria bayesiana (inferenza, selezione del modello). Seguirà la presentazione di Regressione Bayesiana e Processi Gaussiani (e.g., prezzi e sensitività con Processi gaussiani) seguiti da una descrizione approfondita dell'apprendimento supervisionato (Reti neurali feedforward, vincoli di convessità e disuguaglianza, allenamento validazione e test, discesa del gradiente stocastico). Nella seconda parte del corso gli studenti avranno modo di acquisire conoscenze sui concetti di modellizzazione più importanti dell'econometria finanziaria (come riferimento per le prestazioni). La modelizzazione autoregressiva e la calibrazione di modelli per serie temporali verranno presentati. Seguirà l’introduzione di reti neurali ricorrenti e il confronto dei due approcci e delle rispettive performance.
Verrà infine introdotto il modello di Markowitz per la costruzione del portafoglio e spiegato il principio dell’ottimizzazione dell’utilità attesa. Dopo aver introdotto le basi del reinforcement learning verrano illustrate delle possibili applicazioni in questo contesto.
Bibliografia
Modalità didattiche
Il corso si dividerà in lezioni teoriche e lezioni dedicate alla spiegazione e alla risoluzione di esercizi teorici e di programmazione.
Modalità di verifica dell'apprendimento
Il voto finale si baserà su un progetto da svolgere in piccoli gruppi e un esame finale.
Criteri di valutazione
Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base del funzionamento dei metodi di di intelligenza artificiale per applicazioni finanziarie
- essere in grado di argomentare in modo preciso e organico, senza divagazioni, sulle metodologie di intelligenza artificiale per la finanza
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
Criteri di composizione del voto finale
Il contributo al voto di progetto e esame al voto finale sarà pari.
Lingua dell'esame
English
