Quantitative finance and data science for economics

Il corso descrive la teoria e la pratica della finanza aziendale. In questo corso mostriamo come i manager usano la teoria finanziaria per risolvere problemi pratici. Gran parte del corso riguarda la comprensione di cosa fanno i gestori finanziari e perché. Ma diciamo anche cosa dovrebbero fare i responsabili finanziari per aumentare il valore dell'azienda. Grande attenzione è rivolta agli aspetti internazionali attraverso casi di studio e lavori in gruppo.

Sommario Prima parte: valore Parte seconda: rischio Terza parte: le migliori pratiche in Capital budgeting Parte quarta: decisioni di finanziamento ed efficienza del mercato Parte quinta: politica dei pagamenti e struttura del capitale Parte sei: Opzioni Parte settima: finanziamento del debito Parte otto: gestione del rischio Parte Nove: pianificazione finanziaria e gestione del capitale circolante Parte dieci: fusioni, controllo societario e governance Parte 11: Conclusione

Nessuno

1. Frontal lesson 2. Case study 3. Group learning 4. Problem Solving 5. Role playing 6. Assignment 7. Discussion

Sommario Prima parte: valore Ch. 1 Introduzione alla finanza aziendale Ch. 2 Come calcolare i valori attuali Ch. 3 valori obbligazionari Ch. 4 Il valore delle azioni Ch. 5 Valore attuale netto e altri criteri di investimento Ch. 6 Prendere decisioni di investimento con la regola del valore attuale netto Parte seconda: rischio Ch. 7 Introduzione al rischio e al rendimento Ch. 8 Teoria del portafoglio Ch. 9 Rischio e costo del capitale Terza parte: le migliori pratiche in Capital budgeting Ch. 10 Analisi del progetto Ch. 11 Come garantire che i progetti abbiano realmente un VAN positivo Ch. 12 Problemi di agenzia e investimenti Parte quarta: decisioni di finanziamento ed efficienza del mercato Ch. 13 Mercati efficienti e finanza comportamentale Ch. 14 Una panoramica del finanziamento aziendale Ch. 15 Come le società emettono titoli Parte quinta: politica dei dividendi e struttura del capitale Ch. 16 Politica dei dividendi Ch. 17 La politica del debito è importante? Ch. 18 Quanto dovrebbe prendere una società in prestito Ch. 19 Finanziamento e valutazione Parte 11: Conclusione Ch. 34 Conclusione: cosa facciamo e cosa non sappiamo della finanza

Esame scritto con domande a risposta aperta Presentazione di seminari di gruppo da parte degli studenti su argomenti inerenti il corso

Brealey, R. A., Myers, S. C., & Allen, F. (2019). Principles of corporate finance. 13th International edition.

Il corso descrive la teoria e la pratica della finanza aziendale. In questo corso mostriamo come i manager usano la teoria finanziaria per risolvere problemi pratici. Gran parte del corso riguarda la comprensione di cosa fanno i gestori finanziari e perché. Ma diciamo anche cosa dovrebbero fare i responsabili finanziari per aumentare il valore dell'azienda. Grande attenzione è rivolta agli aspetti internazionali attraverso casi di studio e lavori in gruppo.

Sommario Prima parte: valore Parte seconda: rischio Terza parte: le migliori pratiche in Capital budgeting Parte quarta: decisioni di finanziamento ed efficienza del mercato Parte quinta: politica dei pagamenti e struttura del capitale Parte sei: Opzioni Parte settima: finanziamento del debito Parte otto: gestione del rischio Parte Nove: pianificazione finanziaria e gestione del capitale circolante Parte dieci: fusioni, controllo societario e governance Parte 11: Conclusione

Nessuno

1. Frontal lesson 2. Case study 3. Group learning 4. Problem Solving 5. Role playing 6. Assignment 7. Discussion

Sommario Prima parte: valore Ch. 1 Introduzione alla finanza aziendale Ch. 2 Come calcolare i valori attuali Ch. 3 valori obbligazionari Ch. 4 Il valore delle azioni Ch. 5 Valore attuale netto e altri criteri di investimento Ch. 6 Prendere decisioni di investimento con la regola del valore attuale netto Parte seconda: rischio Ch. 7 Introduzione al rischio e al rendimento Ch. 8 Teoria del portafoglio Ch. 9 Rischio e costo del capitale Terza parte: le migliori pratiche in Capital budgeting Ch. 10 Analisi del progetto Ch. 11 Come garantire che i progetti abbiano realmente un VAN positivo Ch. 12 Problemi di agenzia e investimenti Parte quarta: decisioni di finanziamento ed efficienza del mercato Ch. 13 Mercati efficienti e finanza comportamentale Ch. 14 Una panoramica del finanziamento aziendale Ch. 15 Come le società emettono titoli Parte quinta: politica dei dividendi e struttura del capitale Ch. 16 Politica dei dividendi Ch. 17 La politica del debito è importante? Ch. 18 Quanto dovrebbe prendere una società in prestito Ch. 19 Finanziamento e valutazione Parte 11: Conclusione Ch. 34 Conclusione: cosa facciamo e cosa non sappiamo della finanza

Esame scritto con domande a risposta aperta Presentazione di seminari di gruppo da parte degli studenti su argomenti inerenti il corso

Brealey, R. A., Myers, S. C., & Allen, F. (2019). Principles of corporate finance. 13th International edition.

Alla fine del corso gli studenti saranno in grado di comprende la logica dei contratti derivati (in particolare, contratti forward e opzioni) e la loro valutazione. Inoltre conosceranno i modelli stocastici di pricing più noti basati sul principio di non arbitraggio, sia nel tempo discreto che continuo.

1) Generalità sulle opzioni finanziarie 2) Il modello binomiale 3) Il modello di Black e Scholes 4) Valutazione di contratti dipendenti dai tassi di interesse 5) Modelli per la volatilità

Lo studente deve possedere le conoscenze basilari di matematica, matematica finanziaria e calcolo delle probabilità fornite dai corsi della laurea triennale: Matematica generale, Matematica finanziaria, Statistica e possibilmente Teoria matematica del portafoglio. È auspicabile che lo studente abbia superato l'esame del corso della laurea magistrale: Mathematical methods for risk management.

l corso è organizzato in lezioni frontali ed esercitazioni in classe.

Il programma verrà sviluppato congiuntamente a richiami sugli strumenti probabilistici necessari alla comprensione del corso, che sono: variabili aleatorie e distribuzioni di probabilità, nozioni di base sui processi stocastici (a tempo discreto e continuo), valore atteso condizionato e martingale, processi binomiali e moti Browniani, equazioni differenziali stocastiche e lemma di Ito. Il programma consta delle seguenti parti: 1) Generalità sulle opzioni finanziarie: - Contratti forward, opzioni europee e americane: caratterizzazione - La relazione di parità put-call - Le principali tipologie di contratti di opzione - Opzioni implicite: zero coupon bond emessi da imprese - Opzioni implicite: investimenti azionari con minimi garantiti 2) Il modello binomiale: - Valutazione binomiale: lo schema di mercato uniperiodale - Il portafoglio replicante e le probabilità risk-neutral - Il ruolo del principio di non arbitraggio e delle probabilità risk-neutral - Lo schema con due periodi - Valutazione risk-neutral e strategia di replica autofinanziante - Le formule di valutazione per put e call europee nello schema multiperiodale - Il Delta - Utilizzazione pratica del modello binomiale - Il modello di Black e Scholes come limite del modello binomiale 3) Il modello di Black e Scholes: - Le ipotesi del modello e la dinamica del prezzo dell’opzione - L’argomentazione di hedging e l’equazione di valutazione - La formula di Black e Scholes per call e put europee - Analisi delle formule di Black e Scholes - La soluzione in forma integrale e la valutazione risk-neutral - Il Delta hedging - Opzioni su titoli che pagano dividendi: dividendi deterministici e dividend yield deterministico - Opzioni su valuta: il modello di Garman e Kohlhagen 4) Valutazione di contratti dipendenti da tassi di interesse: - Richiami sulla struttura per scadenza dei tassi di interesse - Una classe di modelli univariati nel tempo continuo - Il modello di Cox, Ingersoll e Ross - Il modello di Vasicek 5) Beyond Black and Scholes - Cenni su modelli a volatilità stocastica - Cenni su modelli diffusivi con salto

L’esame consiste in una prova scritta ed una orale. Per accedere alla prova orale, lo studente deve aver ottenuto un voto di almeno 18/30.

I libri di riferimento sono: (Italiano) G. Castellani, M. De Felice, F. Moriconi, Manuale di finanza – III. Modelli stocastici e contratti derivati, il Mulino, Bologna, 2006 (Inglese) J.C. Hull, Options, Futures and Other Derivatives, 9th edition, Pearson, 2015

Alla fine del corso gli studenti saranno in grado di comprende la logica dei contratti derivati (in particolare, contratti forward e opzioni) e la loro valutazione. Inoltre conosceranno i modelli stocastici di pricing più noti basati sul principio di non arbitraggio, sia nel tempo discreto che continuo.

1) Generalità sulle opzioni finanziarie 2) Il modello binomiale 3) Il modello di Black e Scholes 4) Valutazione di contratti dipendenti dai tassi di interesse 5) Modelli per la volatilità

Lo studente deve possedere le conoscenze basilari di matematica, matematica finanziaria e calcolo delle probabilità fornite dai corsi della laurea triennale: Matematica generale, Matematica finanziaria, Statistica e possibilmente Teoria matematica del portafoglio. È auspicabile che lo studente abbia superato l'esame del corso della laurea magistrale: Mathematical methods for risk management.

l corso è organizzato in lezioni frontali ed esercitazioni in classe.

Il programma verrà sviluppato congiuntamente a richiami sugli strumenti probabilistici necessari alla comprensione del corso, che sono: variabili aleatorie e distribuzioni di probabilità, nozioni di base sui processi stocastici (a tempo discreto e continuo), valore atteso condizionato e martingale, processi binomiali e moti Browniani, equazioni differenziali stocastiche e lemma di Ito. Il programma consta delle seguenti parti: 1) Generalità sulle opzioni finanziarie: - Contratti forward, opzioni europee e americane: caratterizzazione - La relazione di parità put-call - Le principali tipologie di contratti di opzione - Opzioni implicite: zero coupon bond emessi da imprese - Opzioni implicite: investimenti azionari con minimi garantiti 2) Il modello binomiale: - Valutazione binomiale: lo schema di mercato uniperiodale - Il portafoglio replicante e le probabilità risk-neutral - Il ruolo del principio di non arbitraggio e delle probabilità risk-neutral - Lo schema con due periodi - Valutazione risk-neutral e strategia di replica autofinanziante - Le formule di valutazione per put e call europee nello schema multiperiodale - Il Delta - Utilizzazione pratica del modello binomiale - Il modello di Black e Scholes come limite del modello binomiale 3) Il modello di Black e Scholes: - Le ipotesi del modello e la dinamica del prezzo dell’opzione - L’argomentazione di hedging e l’equazione di valutazione - La formula di Black e Scholes per call e put europee - Analisi delle formule di Black e Scholes - La soluzione in forma integrale e la valutazione risk-neutral - Il Delta hedging - Opzioni su titoli che pagano dividendi: dividendi deterministici e dividend yield deterministico - Opzioni su valuta: il modello di Garman e Kohlhagen 4) Valutazione di contratti dipendenti da tassi di interesse: - Richiami sulla struttura per scadenza dei tassi di interesse - Una classe di modelli univariati nel tempo continuo - Il modello di Cox, Ingersoll e Ross - Il modello di Vasicek 5) Beyond Black and Scholes - Cenni su modelli a volatilità stocastica - Cenni su modelli diffusivi con salto

L’esame consiste in una prova scritta ed una orale. Per accedere alla prova orale, lo studente deve aver ottenuto un voto di almeno 18/30.

I libri di riferimento sono: (Italiano) G. Castellani, M. De Felice, F. Moriconi, Manuale di finanza – III. Modelli stocastici e contratti derivati, il Mulino, Bologna, 2006 (Inglese) J.C. Hull, Options, Futures and Other Derivatives, 9th edition, Pearson, 2015

L’insegnamento si pone l’obiettivo generale di preparare lo studente ad una possibile attività di analisi empirica di dati economici con metodi di analisi statistica avanzata. Alla fine del corso gli studenti saranno in grado di: 1. Essere in grado di astrarre le caratteristiche essenziali di una questione o di un problema econometrico; 2. Essere in grado di eseguire e valutare con spirito critico l'adeguatezza di un modello utilizzando test diagnostici e altri strumenti statistici; 3. Avere una conoscenza approfondita di diversi modelli empirici dinamici e del loro ruolo nell'analisi econometrica sia di dati longitudinali che in serie storiche.

Il metodo scientifico si compone di quattro fasi: osservazione, ipotesi, verifica e discussione. È fondamentale gestire i dati con competenza in qualsiasi attività scientifica. Se hai già un background in micro e macroeconomia, probabilmente hai una solida conoscenza di come gli economisti analizzano l’economia. Tuttavia, è importante chiedersi se questo approccio rifletta veramente il funzionamento del mondo. L’econometria è la fusione della teoria economica e della statistica utilizzata per testare ipotesi economiche derivate dalla micro e macroeconomia. L'obiettivo del corso è familiarizzare gli studenti con la teoria e l'uso dei metodi quantitativi in ¿¿economia. Gli argomenti del corso sono: il modello lineare e le sue generalizzazioni; teoria della stima e dei test; tecniche di specificazione econometrica e problemi di selezione dei modelli; regressione logistica, variabili strumentali, modelli per serie storiche univariate. Tali tecniche sono illustrate sia teoricamente che mediante applicazioni economiche empiriche implementate utilizzando software come Gretl o R.

I metodi statistici avanzati introdotti nel corso sono fortemente dipendenti da strumenti matematici e statistici di base. Pertanto, si prevede che gli studenti abbiano frequentato e completato con successo i previsti corsi di matematica e statistica.

Il corso prevede lezioni frontali ed esercitazioni. Le tecniche studiate saranno introdotte attraverso esempi economico-finanziari e descritte con formule matematiche. Particolare attenzione sarà rivolta alle applicazioni pratiche e all'interpretazione dei risultati.

1. Regressione lineare: funzioni di aspettativa condizionale, regressione multipla; Stima OLS: ipotesi e proprietà; Stima dei residui e bontà di adattamento del modello; Test diagnostici. 2. Modelli per variabili dipendenti binarie: la regressione logistica 3. Eteroschedasticità: definizione, test. Conseguenze dell'eteroschedasticità per la stima OLS. Weighted Least Squares. GLS e feasible GLS. 4. Variabile omessa e modello di regressione semplice. Endogeneità: definizione e principali cause. La stima delle variabili strumentali come soluzione generale al problema dell'endogeneità. Stima e test del modello a due stadi. 5. Introduzione alle serie storiche e modelli Autoregressivi. Definizione di serie storica: media, varianza, autocovarianza e autocorrelazione. Condizioni di stazionarietà. L'operatore del ritardo. Assunzioni OLS con variabili in serie storica. I modelli autoregressivi AR(p): stima, selezione del modello e forecasting.

Durante il corso verrà assegnato un progetto volto a valutare le competenze nell’elaborazione di codice in R e nell’interpretazione dei risultati ottenuti. Il progetto inciderà per il 40% sul voto finale. Gli studenti che non realizzeranno il progetto dovranno sostenere, in sede d’esame, una parte integrativa finalizzata a verificare le stesse competenze. L’esame consisterà in una prova scritta, che contribuirà per il 60% alla valutazione complessiva. La prova includerà sia quesiti teorici sia esercizi di analisi di dati numerici, con l’obiettivo di verificare le capacità analitiche e interpretative degli studenti, nonché la comprensione delle problematiche connesse all’impiego dei modelli affrontati durante il corso. A correzione avvenuta, il docente si riserva la facoltà di convocare alcuni studenti per un’eventuale prova orale.

Il materiale didattico (dispense, slides, set di dati, script R) sarà messo a disposizione degli studenti durante il corso. I libri consigliati sono: Jeffrey M. Wooldridge (2020), “Introductory Econometrics: A modern approach”, 7th Edition, Cengage Learning.

L’insegnamento si pone l’obiettivo generale di preparare lo studente ad una possibile attività di analisi empirica di dati economici con metodi di analisi statistica avanzata. Alla fine del corso gli studenti saranno in grado di: 1. Essere in grado di astrarre le caratteristiche essenziali di una questione o di un problema econometrico; 2. Essere in grado di eseguire e valutare con spirito critico l'adeguatezza di un modello utilizzando test diagnostici e altri strumenti statistici; 3. Avere una conoscenza approfondita di diversi modelli empirici dinamici e del loro ruolo nell'analisi econometrica sia di dati longitudinali che in serie storiche.

Il metodo scientifico si compone di quattro fasi: osservazione, ipotesi, verifica e discussione. È fondamentale gestire i dati con competenza in qualsiasi attività scientifica. Se hai già un background in micro e macroeconomia, probabilmente hai una solida conoscenza di come gli economisti analizzano l’economia. Tuttavia, è importante chiedersi se questo approccio rifletta veramente il funzionamento del mondo. L’econometria è la fusione della teoria economica e della statistica utilizzata per testare ipotesi economiche derivate dalla micro e macroeconomia. L'obiettivo del corso è familiarizzare gli studenti con la teoria e l'uso dei metodi quantitativi in ¿¿economia. Gli argomenti del corso sono: il modello lineare e le sue generalizzazioni; teoria della stima e dei test; tecniche di specificazione econometrica e problemi di selezione dei modelli; regressione logistica, variabili strumentali, modelli per serie storiche univariate. Tali tecniche sono illustrate sia teoricamente che mediante applicazioni economiche empiriche implementate utilizzando software come Gretl o R.

I metodi statistici avanzati introdotti nel corso sono fortemente dipendenti da strumenti matematici e statistici di base. Pertanto, si prevede che gli studenti abbiano frequentato e completato con successo i previsti corsi di matematica e statistica.

Il corso prevede lezioni frontali ed esercitazioni. Le tecniche studiate saranno introdotte attraverso esempi economico-finanziari e descritte con formule matematiche. Particolare attenzione sarà rivolta alle applicazioni pratiche e all'interpretazione dei risultati.

1. Regressione lineare: funzioni di aspettativa condizionale, regressione multipla; Stima OLS: ipotesi e proprietà; Stima dei residui e bontà di adattamento del modello; Test diagnostici. 2. Modelli per variabili dipendenti binarie: la regressione logistica 3. Eteroschedasticità: definizione, test. Conseguenze dell'eteroschedasticità per la stima OLS. Weighted Least Squares. GLS e feasible GLS. 4. Variabile omessa e modello di regressione semplice. Endogeneità: definizione e principali cause. La stima delle variabili strumentali come soluzione generale al problema dell'endogeneità. Stima e test del modello a due stadi. 5. Introduzione alle serie storiche e modelli Autoregressivi. Definizione di serie storica: media, varianza, autocovarianza e autocorrelazione. Condizioni di stazionarietà. L'operatore del ritardo. Assunzioni OLS con variabili in serie storica. I modelli autoregressivi AR(p): stima, selezione del modello e forecasting.

Durante il corso verrà assegnato un progetto volto a valutare le competenze nell’elaborazione di codice in R e nell’interpretazione dei risultati ottenuti. Il progetto inciderà per il 40% sul voto finale. Gli studenti che non realizzeranno il progetto dovranno sostenere, in sede d’esame, una parte integrativa finalizzata a verificare le stesse competenze. L’esame consisterà in una prova scritta, che contribuirà per il 60% alla valutazione complessiva. La prova includerà sia quesiti teorici sia esercizi di analisi di dati numerici, con l’obiettivo di verificare le capacità analitiche e interpretative degli studenti, nonché la comprensione delle problematiche connesse all’impiego dei modelli affrontati durante il corso. A correzione avvenuta, il docente si riserva la facoltà di convocare alcuni studenti per un’eventuale prova orale.

Il materiale didattico (dispense, slides, set di dati, script R) sarà messo a disposizione degli studenti durante il corso. I libri consigliati sono: Jeffrey M. Wooldridge (2020), “Introductory Econometrics: A modern approach”, 7th Edition, Cengage Learning.

Studentesse e studenti apprenderanno gli strumenti per formulare correttamente i modelli statistici utilizzati per le principali tipologie di variabili di risposta, imparando a stimare questi ultimi e a trarne conclusioni di tipo inferenziale sulla base dei dati osservati. Il corso si propone inoltre di illustrare le tecniche diagnostiche di base per la selezione del modello, trasmettendo al contempo i princìpi guida della modellazione statistica (che spesso esulano dai tecnicismi).

Richiami di probabilità e inferenza statistica; teoria della massima verosimiglianza; modelli di regressione lineare semplice e multipla; metodo dei minimi quadrati; diagnostica del modello; inclusione di variabili esplicative categoriche e analisi della varianza; introduzione ai modelli lineari generalizzati; cenni al modello di regressione logistica; modello di Poisson per dati di conteggio; metodi numerici per la stima di massima verosimiglianza dei modelli lineari generalizzati.

Conoscenze di base di statistica descrittiva univariata e bivariata, di teoria della probabilità (principali variabili casuali e loro funzioni di massa/densità di probabilità, valori attesi, varianze etc.) e di statistica inferenziale (stima puntuale, intervalli di confidenza, test delle ipotesi).

Lezioni teoriche frontali, sessioni pratiche con l’utilizzo dei software preposti.

Richiami di probabilità e inferenza statistica: principali variabili casuali e loro momenti. Proprietà degli stimatori, intervalli di confidenza e test delle ipotesi per medie e proporzioni. Teoria della verosimiglianza: definizione della funzione di verosimiglianza e stima dei parametri attraverso la sua massimizzazione. Proprietà ed esempi per i parametri delle principali distribuzioni. Cenni a metodi di ricampionamento di tipo bootstrap. Test del rapporto di verosimiglianza e test di Wald. Modello di regressione lineare semplice: stima dei parametri con il metodo dei minimi quadrati, stima degli errori standard, interpretazione degli effetti, diagnostica del modello e bontà di adattamento. Rapporto tra analisi di regressione e correlazione lineare. Modello di regressione lineare multipla: stima dei parametri e degli errori standard, interpretazione degli effetti. Corretta specificazione della forma funzionale del modello: effetti di ordine superiore e interazioni. Analisi diagnostica: controllo delle assunzioni alla base del modello e rimedi a possibili violazioni. Inferenza sul modello lineare: test F e test t per significatività globale e locale. Introduzione di variabili esplicative categoriali e test di analisi della varianza. Formulazione matriciale dei modelli lineari. Modelli lineari generalizzati: introduzione delle tre componenti chiave e specificazione per le maggiori distribuzioni: Normale, Binomiale e Poisson. Devianza del modello e test del rapporto di verosimiglianza. Selezione del modello. Modello di Poisson per dati di conteggio. Metodi numerici per la stima dei parametri di un modello lineare generalizzato: algoritmo di Newton-Raphson e Fisher scoring.

Esame orale con domande su argomenti di teoria; analisi e commento dell’output del software con la stima dei modelli oggetto del corso.

Alan Agresti, Maria Kateri (2021): Foundations of Statistics for Data Scientists (with R and Python). CRC Press, Chapman & Hall. ISBN: 9781003159834

Studentesse e studenti apprenderanno gli strumenti per formulare correttamente i modelli statistici utilizzati per le principali tipologie di variabili di risposta, imparando a stimare questi ultimi e a trarne conclusioni di tipo inferenziale sulla base dei dati osservati. Il corso si propone inoltre di illustrare le tecniche diagnostiche di base per la selezione del modello, trasmettendo al contempo i princìpi guida della modellazione statistica (che spesso esulano dai tecnicismi).

Richiami di probabilità e inferenza statistica; teoria della massima verosimiglianza; modelli di regressione lineare semplice e multipla; metodo dei minimi quadrati; diagnostica del modello; inclusione di variabili esplicative categoriche e analisi della varianza; introduzione ai modelli lineari generalizzati; cenni al modello di regressione logistica; modello di Poisson per dati di conteggio; metodi numerici per la stima di massima verosimiglianza dei modelli lineari generalizzati.

Conoscenze di base di statistica descrittiva univariata e bivariata, di teoria della probabilità (principali variabili casuali e loro funzioni di massa/densità di probabilità, valori attesi, varianze etc.) e di statistica inferenziale (stima puntuale, intervalli di confidenza, test delle ipotesi).

Lezioni teoriche frontali, sessioni pratiche con l’utilizzo dei software preposti.

Richiami di probabilità e inferenza statistica: principali variabili casuali e loro momenti. Proprietà degli stimatori, intervalli di confidenza e test delle ipotesi per medie e proporzioni. Teoria della verosimiglianza: definizione della funzione di verosimiglianza e stima dei parametri attraverso la sua massimizzazione. Proprietà ed esempi per i parametri delle principali distribuzioni. Cenni a metodi di ricampionamento di tipo bootstrap. Test del rapporto di verosimiglianza e test di Wald. Modello di regressione lineare semplice: stima dei parametri con il metodo dei minimi quadrati, stima degli errori standard, interpretazione degli effetti, diagnostica del modello e bontà di adattamento. Rapporto tra analisi di regressione e correlazione lineare. Modello di regressione lineare multipla: stima dei parametri e degli errori standard, interpretazione degli effetti. Corretta specificazione della forma funzionale del modello: effetti di ordine superiore e interazioni. Analisi diagnostica: controllo delle assunzioni alla base del modello e rimedi a possibili violazioni. Inferenza sul modello lineare: test F e test t per significatività globale e locale. Introduzione di variabili esplicative categoriali e test di analisi della varianza. Formulazione matriciale dei modelli lineari. Modelli lineari generalizzati: introduzione delle tre componenti chiave e specificazione per le maggiori distribuzioni: Normale, Binomiale e Poisson. Devianza del modello e test del rapporto di verosimiglianza. Selezione del modello. Modello di Poisson per dati di conteggio. Metodi numerici per la stima dei parametri di un modello lineare generalizzato: algoritmo di Newton-Raphson e Fisher scoring.

Esame orale con domande su argomenti di teoria; analisi e commento dell’output del software con la stima dei modelli oggetto del corso.

Alan Agresti, Maria Kateri (2021): Foundations of Statistics for Data Scientists (with R and Python). CRC Press, Chapman & Hall. ISBN: 9781003159834

Il corso intende fornire agli studenti alcuni strumenti di analisi statistico-econometrica per l’analisi dei dati economici micro-aggregati. In particolare, l’obiettivo del corso è quello di introdurre i principali modelli per l'analisi micro-econometrica dei dati cross-section e per l'analisi dei dati longitudinali. I modelli saranno presentati sia dal punto di vista metodologico che applicato, permettendo agli studenti di per poter svolgere e comprendere le analisi empiriche. A tale fine, il corso prevede delle sessioni di laboratorio in cui gli studenti saranno introdotti all'utilizzo del software econometrico Stata e in cui saranno presentate delle applicazioni relative ai metodi trattati nelle lezione.

Il corso è strutturato in quattro argomenti principali: 1) Modelli con variabili dipendenti binarie¿ 2) Modelli con variabili dipendenti qualitative 3) Modelli con variabili dipendenti limitate 4) Modelli per dati longitudinali

Al fine di comprendere e saper affrontare i principali argomenti del corso, lo studente deve possedere conoscenze di base sui principali metodi di statistica inferenziale e sul modello di regressione lineare multipla. Lo studente dovrebbe aver acquisito tali conoscenze durante il primo anno del percorso di studi di laurea magistrale.

Lezioni frontali in aula ed esercitazioni in laboratorio.

1) Modelli con variabili dipendenti binarie¿ Il modello di probabilità lineare Il modello logit e il modello probit Test di specificazione per modelli di scelta binaria. Endogeneità nei modelli di scelta binaria 2) Modelli con variabili dipendenti qualitative Modelli di risposta ordinata: i modelli logit e probit ordinati Modelli multinomiali: il modello logit multinomiale 3) Modelli con variabili dipendenti limitate Variabili dipendenti troncate e censurate Il modello Tobit standard Estensioni del modello Tobit: il modello Tobit II La distorsione da selezione campionaria 4) Modelli lineari per dati longitudinali Il modello lineare statico Modelli a effetti fissi e a effetti casuali. Effetti fissi o casuali?

L'esame prevede una una prova scritta finalizzata a verificare il livello di conoscenza dei contenuti teorici e metodologici e la capacità di comunicazione dello studente con proprietà di linguaggio. A correzione avvenuta, il docente si riserva la facoltà di convocare lo studente per un’eventuale prova orale.

Testo di riferimento: - Verbeek, M., A guide to Modern Econometrics, Fourth Edition, Wiley, 2012. - Winkelmann, R., Boes, S., Analysis of Microdata, Second Edition, Springer, 2009. Testi di approfondimento e consultazione: - Greene, W., Econometric Analysis, 7th Ed., Prentice Hall, 2012. - Wooldridge, J.M., Econometric Analysis of Cross Section and Panel Data, 2nd Ed. Mit Press, 2010. - Cameron, A.C. e Trivedi, P.K., Microeconometrics: Methods and Applications, Cambridge Press, 2005. Durante lo svolgimento del corso, saranno messe a disposizione le slide delle lezioni e il materiale delle esercitazioni in laboratorio. Tutto il materiale sarà reso disponibile tramite la piattaforma e-learning di Ateneo UniStudium

Il corso intende fornire agli studenti alcuni strumenti di analisi statistico-econometrica per l’analisi dei dati economici micro-aggregati. In particolare, l’obiettivo del corso è quello di introdurre i principali modelli per l'analisi micro-econometrica dei dati cross-section e per l'analisi dei dati longitudinali. I modelli saranno presentati sia dal punto di vista metodologico che applicato, permettendo agli studenti di per poter svolgere e comprendere le analisi empiriche. A tale fine, il corso prevede delle sessioni di laboratorio in cui gli studenti saranno introdotti all'utilizzo del software econometrico Stata e in cui saranno presentate delle applicazioni relative ai metodi trattati nelle lezione.

Il corso è strutturato in quattro argomenti principali: 1) Modelli con variabili dipendenti binarie¿ 2) Modelli con variabili dipendenti qualitative 3) Modelli con variabili dipendenti limitate 4) Modelli per dati longitudinali

Al fine di comprendere e saper affrontare i principali argomenti del corso, lo studente deve possedere conoscenze di base sui principali metodi di statistica inferenziale e sul modello di regressione lineare multipla. Lo studente dovrebbe aver acquisito tali conoscenze durante il primo anno del percorso di studi di laurea magistrale.

Lezioni frontali in aula ed esercitazioni in laboratorio.

1) Modelli con variabili dipendenti binarie¿ Il modello di probabilità lineare Il modello logit e il modello probit Test di specificazione per modelli di scelta binaria. Endogeneità nei modelli di scelta binaria 2) Modelli con variabili dipendenti qualitative Modelli di risposta ordinata: i modelli logit e probit ordinati Modelli multinomiali: il modello logit multinomiale 3) Modelli con variabili dipendenti limitate Variabili dipendenti troncate e censurate Il modello Tobit standard Estensioni del modello Tobit: il modello Tobit II La distorsione da selezione campionaria 4) Modelli lineari per dati longitudinali Il modello lineare statico Modelli a effetti fissi e a effetti casuali. Effetti fissi o casuali?

L'esame prevede una una prova scritta finalizzata a verificare il livello di conoscenza dei contenuti teorici e metodologici e la capacità di comunicazione dello studente con proprietà di linguaggio. A correzione avvenuta, il docente si riserva la facoltà di convocare lo studente per un’eventuale prova orale.

Testo di riferimento: - Verbeek, M., A guide to Modern Econometrics, Fourth Edition, Wiley, 2012. - Winkelmann, R., Boes, S., Analysis of Microdata, Second Edition, Springer, 2009. Testi di approfondimento e consultazione: - Greene, W., Econometric Analysis, 7th Ed., Prentice Hall, 2012. - Wooldridge, J.M., Econometric Analysis of Cross Section and Panel Data, 2nd Ed. Mit Press, 2010. - Cameron, A.C. e Trivedi, P.K., Microeconometrics: Methods and Applications, Cambridge Press, 2005. Durante lo svolgimento del corso, saranno messe a disposizione le slide delle lezioni e il materiale delle esercitazioni in laboratorio. Tutto il materiale sarà reso disponibile tramite la piattaforma e-learning di Ateneo UniStudium

Lo studente sarà i grado di implementare modelli e risolvere questioni di natura applicativa che sono ricorrenti in finanza quantitativa.

Il corso intrdouce agli studenti i principali metodi computazionali per risolvere i classici problemi in finanza matematica

Gli studenti devono aver sostenuto il corso di Matlab Lab o comunque conoscere i software in maniera adeguata..

Lezioni ed esercitazioni i classe su PC con l'ausilio di Matlab.

Il corso introduce alcuni metodi computazionali per la risoluzione di alcuni problemi pratici di finanza quantitativa. In particolare, i seguenti problemi saranno esaminati attraverso lezioni introduttive ed esercitazioni: 1) Generazione di numeri casuali. Il metodo Monte Carlo. Moto browniano geometrico: proprietà teoriche, stima e simulazione. 2) Metodo Monte Carlo per la valutazione di derivati ¿¿semplici ed esotici (modello di Black e Scholes). 3) Metodo Monte Carlo per la stima delle greche dei derivati ¿¿finanziari (modello di Black e Scholes). 4) Schemi di discretizzazione di equazioni differenziali stocastiche oltre il moto browniano aritmetico o geometrico. 5) Modelli a breve termine: proprietà teoriche, simulazione e valutazione di prodotti derivati. 6) Modelli di volatilità stocastica: proprietà teoriche, simulazione e valutazione di prodotti derivati. 7) Metodi di stima e calibrazione dei parametri del modello 8) Esempi relativi ai prodotti assicurativi.

Per sostenere l'esame gli studenti dovranno preparare u report finale del corso che sarà discusso in sede di esame orale.

Dispense fornite dal docente. Inoltre saranno di utile consultazione i seguenti testi: 1) Glasserman, P., Monte Carlo Methods in Financial Engineering 2) Pascucci A., PDE and Martingale Methods in Option Pricing, Bocconi University Press, Springer Ed. 3) Cesarone F., Computational Finance, Routledge-Giappichelli Ed. 4) Pocci. C., Rotundo, G., De Kok, R., MATLAB for applications in Economics and Finance, Maggioli Ed. 5) Oliva. I., Renò Roberto, Principi di Finanzia Quantitativa, Apogeo Educazione, Maggioli Editore, 2021.

L’insegnamento si pone l’obiettivo generale di preparare lo studente ad una possibile attività di analisi empirica di dati finanziari con metodi di analisi statistica avanzata. Alla fine del corso gli studenti saranno in grado di: 1. Avere una comprensione critica della natura delle serie storiche economiche e finanziarie; 2. Essere in grado di astrarre le caratteristiche essenziali di una questione o di un problema econometrico; 3. Essere in grado di eseguire e valutare con spirito critico l'adeguatezza di un modello utilizzando test diagnostici e altri strumenti statistici; 4. Avere una conoscenza approfondita di diversi modelli empirici dinamici e del loro ruolo nell'analisi dell'econometria delle serie storiche.

La stima e la valutazione quantitativa delle serie storiche è un elemento essenziale per lo sviluppo di analisi economiche e finanziarie. In questo corso approfondiremo i metodi e le tecniche da utilizzare nello studio delle serie storiche, lasciando ampio spazio alla loro applicazione pratica per la risoluzione di questioni economiche. Particolare attenzione sarà rivolta alla misurazione ed interpretazione dei risultati empirici elaborati attraverso opportuni software statistici. Lo scopo del modulo è familiarizzare con le tecniche utilizzate dagli economisti per misurare le relazioni economiche nel tempo al fine di testare ipotesi, prevedere o valutare l'impatto della politica economica - un campo molto impegnativo dell'economia applicata.

I metodi statistici avanzati introdotti nel corso sono fortemente dipendenti da strumenti matematici e statistici di base. Pertanto, si prevede che gli studenti abbiano frequentato e completato con successo i previsti corsi di matematica e statistica.

Il corso prevede lezioni frontali ed esercitazioni. Le tecniche studiate saranno introdotte attraverso esempi economico-finanziari e descritte con formule matematiche. Particolare attenzione sarà rivolta alle applicazioni pratiche e all'interpretazione dei risultati.

1. Introduzione alle serie storiche Definizione di serie storica. Assunzioni OLS con variabili in serie storica. Il concetto di memoria e persistenza delle serie storica. Il concetto di autocovarianza e autocorrelazione. Interpretazione dell'intervallo di confidenza per l'autocorrelazione. La "statistica Q" 2. Il processo stocastico e le sue principali caratteristiche Il processo stocastico. Stazionarietà e processo stazionario. Il rumore bianco. Funzione di autocorrelazione e funzione di autocorrelazione. 3. Modelli autoregressivi a media mobile ARMA (p,q) L'operatore del ritardo. I modelli autoregressivi AR(p) – Media, varianza, autocovarianza e autocorrelazione. Condizioni di stazionarietà. Il processo a media mobile MA(q) - media, varianza, autocovarianza e autocorrelazione. Condizione di invertibilità. Modelli autoregressivi a media mobile ARMA (p,q). 4. Stima dei coefficienti nei processi ARMA (p,q). Stima dei coefficienti nei modelli autoregressivi. Stima dei coefficienti nei processi ARMA. Adattamento dei modelli in serie storiche. Criterio informativo AIC. Il concetto di previsione. Utilizzo del modello AR per la previsione. Errore di previsione e intervalli di previsione. La funzione di risposta all'impulso. 5. Modelli multivariati di serie temporali Le serie storiche multivariate. Il modello VAR (definizione, stazionarietà, stima e previsione). Il concetto di causalità Granger. 6. Modelli non stazionari Trend stationary e Difference Stationary Models (definizione, stima e previsione). Il Random Walk (media, varianza, autocovarianza e autocorrelazione). Il Random Walk con drift. Il processo integrato. L'effetto di uno shock in una serie Random Walk. Previsione nel caso di serie aventi una radice unitaria. 7. Il problema alla radice dell'unità Il problema della radice unitaria. Il Test per le radici unitarie (Dickey-Fuller e Augmented Dickey-Fuller). 8. Regressione spuria Il concetto di regressione spuria come trappola della regressione di serie storiche. Come identificare una regressione spuria. La combinazione di processi stocastici. La cointegrazione.

L’esame prevede una prova scritta, contenente sia quesiti teorici, esercizi di analisi dei dati numerici. L'esame è progettato per testare le capacità analitiche, interpretative e la comprensione di questioni rilevanti che emergono nel lavoro sulle serie storiche. A correzione avvenuta, il docente si riserva la facoltà di convocare alcuni studenti per un’eventuale prova orale.

Il materiale didattico (dispense, slides, set di dati, script R) sarà messo a disposizione degli studenti durante il corso. I libri consigliati sono: Jeffrey M. Wooldridge (2020), “Introductory Econometrics: A modern approach”, 7th Edition, Cengage Learning. George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung, (2015) “Time Series Analysis: Forecasting and Control”, 5th Edition, John Wiley and Sons Inc. Peter J. Brockwell and Richard A. Devis (2016) “Introduction to Time Series and Forecasting”, Springer. Klaus Neusser (2016), “Time Series Econometrics”, Springer.

Insegnamento integrato composto dai moduli: MOD.I Evaluating Insurance Products: A Quantitative Perspective; Mod. II: Analyzing Insurance Company Financial Statements Mod. II: Analyzing Insurance Company Financial Statements.

Il corso si pone l'obiettivo di fornire conoscenze di base sulla copertura e sulla misurazione di rischi finanziari sia in termini di gestione della posizione rischiosa sia in termini di calcolo del capitale a rischio per ottemperare agli obblighi stabiliti dagli organi di vigilanza.

Costruzioni di strategie di copertura per titoli derivati nell'ambito del modello di Black and Scholes. Introduzione alle principali misure di rischio di mercato e alle loro proprietà.

Inferenza statistica, calcolo delle probabilità, calcolo matriciale, funzioni in più variabili.

Lezioni frontali ed esercitazioni

Si controlli la pagina dedicate su Unistudium

Esame scritto. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa

Manuale di Finanza, G. Castellani, M. De Felice, F. Moriconi, Ed. Il Mulino Strumenti (essenzialmente per i richiami). Quantitative Risk Management:, McNeil, R. Frey, A., Embrechts, P., Ed. Princeton University Press (Cap. 2-3, alcuni argomenti cap. 5-6). Opzioni, Futures e altri derivati, J. Hull, Ed. Pearson, Prentice-Hall.

Il corso si pone l'obiettivo di fornire conoscenze di base sulla copertura e sulla misurazione di rischi finanziari sia in termini di gestione della posizione rischiosa sia in termini di calcolo del capitale a rischio per ottemperare agli obblighi stabiliti dagli organi di vigilanza.

Costruzioni di strategie di copertura per titoli derivati nell'ambito del modello di Black and Scholes. Introduzione alle principali misure di rischio di mercato e alle loro proprietà.

Inferenza statistica, calcolo delle probabilità, calcolo matriciale, funzioni in più variabili.

Lezioni frontali ed esercitazioni

Si controlli la pagina dedicate su Unistudium

Esame scritto. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa

Manuale di Finanza, G. Castellani, M. De Felice, F. Moriconi, Ed. Il Mulino Strumenti (essenzialmente per i richiami). Quantitative Risk Management:, McNeil, R. Frey, A., Embrechts, P., Ed. Princeton University Press (Cap. 2-3, alcuni argomenti cap. 5-6). Opzioni, Futures e altri derivati, J. Hull, Ed. Pearson, Prentice-Hall.

Al termine del corso lo studente dovrà essere in grado di implementare ed applicare in maniera autonoma le opportune metodologie numeriche e statistiche ad un problema reale tramite il software R.

Metodi numerici e statistici avanzati vengono presentati a partire da casi di studio reali e analizzati tramite il software R.

Il corso introduce aspetti avanzati di statistica computazionale, per cui è attesa una solida base dei concetti fondamentali di statistica e calcolo delle probabilità. Inoltre, una conoscenza di base del software R è necessaria per le attività pratiche di laboratorio.

Lezioni frontali ed esercitazioni pratiche tramite il software statistico R.

Il corso intende presentare alcuni metodi numerici e statistici avanzati che trovano applicazione in molti ambiti, dalla finanza all'economia, dal data mining alle scienze sociali. I metodi vengono introdotti a partire da casi di studio reali e analizzati tramite il software R. In dettaglio, verranno trattati i seguenti argomenti: - Simulazioni Monte Carlo - Metodi di integrazione Monte Carlo - Metodi di ottimizzazione numerica - Modelli a variabili latenti: modelli mistura, modelli a classi latenti, modelli hidden Markov, Stochastic Block models - Algoritmo EM - Inferenza bootstrap

Esame scritto da fare a casa sotto forma di progetto. Esame finale orale. Le attività di laboratorio sono finalizzate ad accertare la capacità dello studente di mettere in pratica le metodologie introdotte in classe. L'esame finale intende invece valutare il livello di conoscenza e comprensione raggiunto dallo studente per quanto riguarda gli aspetti computazionali e metodologici trattati durante il corso.

Braun, W.J., and Murdoch, D.J. (2007). A First Course in Statistical Programming with R, Cambridge University Press. Jones, O., Maillardet, R. and Robinson, A. (2009). Introduction to Scientific Programming and Simulation Using R, Chapman & Hall/CRC. Rizzo, M. L. (2008). Statistical Computing with R, Chapman & Hall/CRC. Voss, J. (2013). An Introduction to Statistical Computing, John Wiley & Sons. McLachlan, G. and Peel. D. (2004). Finite Mixture Models, John Wiley & Sons. Altro materiale fornito dal docente nel corso delle lezioni.

L'insegnamento costituisce un'introduzione ai principali metodi e tecniche di Statistical e Machine Learning per il Data Science, sia in ambito supervised (regressione e classificazione) che unsupervised (clustering e riduzione delle dimensionalità). Le principali conoscenze acquisite saranno: • concetti introduttivi e specifici modelli di statistical learning; • valutazione tramite tecniche di ricampionamento della capacità predittiva dei modelli di regressione e classificazione. Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno: • applicare in maniera autonoma gli opportuni metodi e algoritmi a problemi reali di regressione, classificazione e clustering; • analizzare dati tramite il software R per la stima di modelli supervised e unsupervised.

Metodi statistici avanzati di Statistical e Machine Learning, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Casi di studio reali introdotti e analizzati con il software R.

La presentazione dei modelli e algoritmi trattati durante il corso si avvale di conoscenze di base della statistica, sia descrittiva che inferenziale, e del modello di regressione lineare. Familiarità con il software R per l’analisi statistica è consigliata seppure non essenziale per la comprensione degli argomenti trattati.

Lezioni teoriche ed esercitazioni pratiche con l’ausilio di R.

Il corso prevede lo studio di metodi statistici avanzati per il Data Science, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Tali metodi sono stati applicati con successo in molti ambiti, dalla finanza all'economia, dal business analytics alle scienze sociali e naturali. I metodi trattati saranno introdotti a partire da casi di studio reali e analizzati tramite il software R. In dettaglio, verranno trattati i seguenti argomenti: - Statistical and machine learning: introduzione. - Previsione vs interpretabilità. - Supervised vs unsupervised learning. - Classificazione vs regressione. - Valutazione dell'accuratezza di un modello statistico. - Supervised learning: introduzione. - Estensioni al modello di regressione lineare: selezione del modello e regolarizzazione. Regressione polinomiale. - Metodi di ricampionamento: cross-validation e bootstrap. - Classificazione: introduzione. - Modello logistico e multinomiale. - Modelli misture finite Gaussiani. - Algoritmo k-nearest neighbour. - Metodi avanzati per la regressione e la classificazione. - Generalized Additive Models. - Artificial neural networks. - Decision trees. - Bagging. - Random forests. - Boosting. - Unsupervised learning: introduzione. - Analisi delle componenti principali. - Misure di similarità e di distanza. Matrice delle distanze. - Metodi gerarchici per la cluster analysis. - Metodi non gerarchici (metodo k-means). - Model-based clustering.

Valutazioni in itinere ed esame orale finale. Le attività di laboratorio sono finalizzate ad accertare la capacità dello studente di mettere in pratica le metodologie introdotte in classe. L'esame orale finale intende invece valutare il livello di conoscenza e comprensione raggiunto dallo studente per quanto riguarda gli aspetti computazionali e metodologici trattati durante il corso.

James G., Witten D., Hastie T., Tibshirani R. (2021) An Introduction to Statistical Learning with Applications in R, 2nd edition, Springer-Verlag (freely available at https://www.statlearning.com) Slides delle lezioni disponibili nella pagina UniStudium del corso.

L'insegnamento costituisce un'introduzione ai principali metodi e tecniche di Statistical e Machine Learning per il Data Science, sia in ambito supervised (regressione e classificazione) che unsupervised (clustering e riduzione delle dimensionalità). Le principali conoscenze acquisite saranno: • concetti introduttivi e specifici modelli di statistical learning; • valutazione tramite tecniche di ricampionamento della capacità predittiva dei modelli di regressione e classificazione. Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) saranno: • applicare in maniera autonoma gli opportuni metodi e algoritmi a problemi reali di regressione, classificazione e clustering; • analizzare dati tramite il software R per la stima di modelli supervised e unsupervised.

Metodi statistici avanzati di Statistical e Machine Learning, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Casi di studio reali introdotti e analizzati con il software R.

La presentazione dei modelli e algoritmi trattati durante il corso si avvale di conoscenze di base della statistica, sia descrittiva che inferenziale, e del modello di regressione lineare. Familiarità con il software R per l’analisi statistica è consigliata seppure non essenziale per la comprensione degli argomenti trattati.

Lezioni teoriche ed esercitazioni pratiche con l’ausilio di R.

Il corso prevede lo studio di metodi statistici avanzati per il Data Science, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Tali metodi sono stati applicati con successo in molti ambiti, dalla finanza all'economia, dal business analytics alle scienze sociali e naturali. I metodi trattati saranno introdotti a partire da casi di studio reali e analizzati tramite il software R. In dettaglio, verranno trattati i seguenti argomenti: - Statistical and machine learning: introduzione. - Previsione vs interpretabilità. - Supervised vs unsupervised learning. - Classificazione vs regressione. - Valutazione dell'accuratezza di un modello statistico. - Supervised learning: introduzione. - Estensioni al modello di regressione lineare: selezione del modello e regolarizzazione. Regressione polinomiale. - Metodi di ricampionamento: cross-validation e bootstrap. - Classificazione: introduzione. - Modello logistico e multinomiale. - Modelli misture finite Gaussiani. - Algoritmo k-nearest neighbour. - Metodi avanzati per la regressione e la classificazione. - Generalized Additive Models. - Artificial neural networks. - Decision trees. - Bagging. - Random forests. - Boosting. - Unsupervised learning: introduzione. - Analisi delle componenti principali. - Misure di similarità e di distanza. Matrice delle distanze. - Metodi gerarchici per la cluster analysis. - Metodi non gerarchici (metodo k-means). - Model-based clustering.

Valutazioni in itinere ed esame orale finale. Le attività di laboratorio sono finalizzate ad accertare la capacità dello studente di mettere in pratica le metodologie introdotte in classe. L'esame orale finale intende invece valutare il livello di conoscenza e comprensione raggiunto dallo studente per quanto riguarda gli aspetti computazionali e metodologici trattati durante il corso.

James G., Witten D., Hastie T., Tibshirani R. (2021) An Introduction to Statistical Learning with Applications in R, 2nd edition, Springer-Verlag (freely available at https://www.statlearning.com) Slides delle lezioni disponibili nella pagina UniStudium del corso.