Obiettivi formativi
Obiettivo del corso è l’apprendimento degli strumenti comunemente utilizzati per effettuare previsioni nell’ambito delle serie storiche economiche e finanziarie.
Competenze specifiche:
apprendimento di modelli e tecniche per la descrizione, l’analisi e l’interpretazione di fenomeni quantitativi che si evolvono nel tempo;
comprensione dei fatti stilizzati che contraddistinguono le serie storiche economiche e quelle finanziarie e individuazione delle metodologie più appropriate per modellarle;
conoscenza di opportuni pacchetti statistici in linguaggio R.
Competenze trasversali:
capacità di individuare la metodologia statistica più appropriata per modellare serie storiche;
autonomia nelle analisi statistiche e capacità critiche conseguite attraverso un approccio learnig-by-doing sviluppato a partire dall’analisi di dati simulati forniti in aula e da dati reali scelti in autonomia. Le analisi verranno effettuate in piena autonomia attraverso esperienze di laboratorio, di problem-solving e la stesura di un rapporto tecnico che sarà discusso in sede di verifica e valutazione dell’apprendimento.
Programma
L’insegnamento afferisce al dominio disciplinare della Statistica (SSD STAT-01/A), con un focus specifico sulla modellistica stocastica e l'analisi predittiva per dati strutturati temporalmente. I contenuti sono finalizzati allo sviluppo di competenze avanzate nella previsione per il supporto alle decisioni strategiche aziendali. I contenuti dell'insegnamento includono il richiamo dei concetti del modello lineare multiplo per la valutazione della capacità predittiva, l'introduzione ai processi stocastici, ai concetti di stazionarietà ed ergodicità e lo studio delle catene di Markov per l'analisi dei fenomeni dinamici. Il percorso prosegue con la trattazione dei modelli tipici delle serie storiche, dai processi ARMA e ARIMA per la modellizzazione del trend e della stagionalità, fino all'analisi della volatilità condizionata mediante i modelli ARCH, GARCH e le relative estensioni IGARCH ed EGARCH. A completamento del quadro metodologico, vengono trattati approcci moderni basati su tecniche di estrazione dei dati e apprendimento automatico (machine learning), con particolare riferimento all'utilizzo di alberi di decisione, foreste casuali e reti neurali per l'identificazione di relazioni non lineari e schemi complessi in serie storiche ad alta dimensionalità. Il percorso si conclude con la validazione delle previsioni e il confronto tra modelli statistici classici e algoritmi di apprendimento automatico con previsioni in contesti di business uncertainty.
Modulo 1 – Fondamenti di Predizione Lineare
Contenuti: regressione lineare multipla (forma matriciale, assunzioni). Capacità predittiva ed errore di previsione (bias-varianza). Analisi dei residui: autocorrelazione (Durbin-Watson, Breusch-Godfrey), eteroschedasticità. Metriche predittive out-of-sample: R^2, MSE, RMSE, MAE.
Risultati attesi: valutare e interpretare modelli lineari in ottica predittiva.
Modulo 2 – Processi Stocastici e Markov
Contenuti: definizione e classificazione dei processi stocastici. Stazionarietà (forte/debole), ergodicità. Autocovarianza e ACF. Catene di Markov: stati, matrice di transizione, proprietà markoviana, equazioni di Chapman-Kolmogorov, distribuzioni stazionarie.
Risultati attesi: comprendere la dinamica probabilistica dei fenomeni temporali.
Modulo 3 – Modelli Classici di Serie Storiche (ARMA/ARIMA)
Contenuti: componenti delle serie (trend, stagionalità, ciclo). White noise. Processi AR(p), MA(q), ARMA(p,q): proprietà e identificazione tramite ACF/PACF. Metodo Box-Jenkins: identificazione, stima (massima verosimiglianza), verifica (Ljung-Box), previsione. Non stazionarietà: ARIMA(p,d,q), test ADF. Modelli stagionali (SARIMA) e intervalli previsivi.
Risultati attesi: costruire e validare modelli per serie stazionarie e non.
Modulo 4 – Volatilità Condizionata (ARCH/GARCH)
Contenuti: eteroschedasticità e volatilità nei dati finanziari. Modelli ARCH(q), GARCH(p,q), IGARCH. Effetti asimmetrici e leverage (EGARCH). Stima, diagnostica e impiego per la gestione del rischio.
Risultati attesi: modellare e interpretare la dinamica della volatilità.
Modulo 5 – Machine Learning per Serie Temporali
Contenuti: limiti dei modelli parametrici nelle serie temporali. Strutturazione dei dati: lag, rolling/expanding window, dipendenza temporale. Alberi decisionali e Random Forests applicati a dati sequenziali e previsioni multi-step. Ensemble learning per maggiore stabilità. Introduzione ai metodi di machine learning per relazioni non lineari e dinamiche temporali.
Risultati attesi: applicare metodi ML a contesti temporali complessi.
Modulo 6 – Validazione e Confronto dei Modelli
Contenuti: tecniche di validazione: cross-validation temporale (finestre mobili/espansive). Selezione modelli (AIC, BIC). Confronto predittivo out-of-sample tra modelli statistici e ML. Analisi dell’incertezza e scenari previsivi per decisioni aziendali.
Risultati attesi: selezionare modelli robusti e supportare decisioni in condizioni di incertezza.
Modalità d'esame
Modalità di verifica dell’apprendimento : Esame scritto obbligatorio (minimo 120 minuti) articolato in quattro sezioni:
- Quesiti a scelta multipla o Vero/Falso/Incerto con breve motivazione per verificare i concetti base;
- Due domande aperte sui fondamenti dei processi stocastici, catene di Markov e serie storiche;
- Dimostrazione matematica di proprietà o parametri dei modelli (es. stazionarietà, momenti GARCH);
- Esercizio di analisi dati con interpretazione di output R o problem-solving su dati reali/simulati per valutare la capacità di diagnosi e supporto decisionale.
Consentita solo la calcolatrice scientifica. Le prove ricalcano le esercitazioni e simulazioni svolte in aula, di cui costituiscono varianti dirette. Per favorire un apprendimento critico e non mnemonico, non si forniscono archivi di prove passate; la preparazione deve basarsi su materiali didattici e casi studio discussi. Risultati comunicati tramite portale istituzionale.
Criteri di valutazione dell’apprendimento : La valutazione accerta: padronanza dei fondamenti matematici e statistici dei modelli previsivi; rigore logico nella stesura di dimostrazioni e quesiti teorici; capacità critica nel distinguere i fatti stilizzati delle serie economiche/finanziarie e selezionare il modello ottimale; autonomia nell'interpretazione dei risultati computazionali.
Criteri di misurazione dell’apprendimento e voto finale : Voto espresso in trentesimi (sufficienza a 18/30). Il punteggio è la somma dei pesi delle sezioni: domande chiuse/teoriche (40%), dimostrazione formale (20%), esercizio di analisi dati (40%). La lode richiede, oltre alla correttezza della prova, proprietà di linguaggio tecnico, capacità di collegamento trasversale e spiccata autonomia di giudizio.
Inclusione e Accessibilità : Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Appelli d’esame consultabili al link: https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/
Testi di riferimento
Modulo 1 – Fondamenti di Predizione Lineare
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 40 pagine.
Modulo 2 – Processi Stocastici e Markov
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 50 pagine.
Brockwell, P. J., Davis, R. A. (2016). Introduction to Time Series and Forecasting, Springer.
Letture selezionate per circa 40 pagine.
Modulo 3 – Modelli Classici di Serie Storiche (ARMA/ARIMA)
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control, 5th ed., Wiley.
Letture selezionate per circa 120 pagine.
Brockwell, P. J., Davis, R. A. (2016). Introduction to Time Series and Forecasting, Springer.
Letture selezionate per circa 80 pagine.
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 70 pagine.
Modulo 4 – Volatilità Condizionata (ARCH/GARCH)
Tsay, R. S. (2010). Analysis of Financial Time Series, 3rd ed., Wiley.
Letture selezionate per circa 80 pagine.
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 40 pagine.
Modulo 5 – Machine Learning per Serie Temporali
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly.
Letture selezionate per circa 100 pagine.
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 60 pagine.
Modulo 6 – Validazione e Confronto dei Modelli
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 40 pagine.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control, Wiley.
Letture selezionate per circa 50 pagine.
Codice insegnamento 27006616