Ottimizzazione Portfolio con ML e Tecnologie Cloud
La moderna teoria di portafoglio si evolve integrando capacità predittive del machine learning con potenza computazionale del cloud. Questo masterclass unisce finanza quantitativa e data science per costruire strategie di allocazione asset sofisticate e adattive.
Oltre Markowitz: ML per asset allocation
Esplorerai approcci che superano i limiti della mean-variance optimization classica. Utilizzerai modelli ML per stimare matrici di covarianza robuste, prevedere rendimenti attesi e identificare regimi di mercato. Implementerai Black-Litterman con views generati da sentiment analysis e tecniche di shrinkage bayesiano.
Simulazioni Monte Carlo su larga scala
Sfruttando il parallelismo del cloud eseguirai migliaia di simulazioni per valutare distribuzioni di rendimento, probability of shortfall e ottimizzare sotto vincoli reali come limiti settoriali, tracking error e requisiti ESG. Il programma include rebalancing dinamico con transaction cost optimization.
Struttura del corso
Moduli Formativi
- Fondamenti portfolio theory: efficient frontier, CAPM, multi-factor models Fama-French
- Stima parametri con ML: expected returns prediction, covariance forecasting con EWMA
- Regime detection: Hidden Markov Models, clustering volatilità, tactical allocation
- Ottimizzazione avanzata: risk parity, hierarchical risk parity, CVaR minimization
- Factor investing: PCA per identificazione fattori, exposure analysis, factor tilting
- Backtesting portfolio strategies: performance metrics, attribution analysis, stress testing
- Implementazione cloud: Dask per computazione distribuita, storage BigQuery, workflow Airflow
- ESG integration: scoring sostenibilità, constrained optimization, impact measurement
Include toolkit Python completo per analisi quantitativa sviluppato dal docente Valerio Santarelli
Percorso di apprendimento
Analisi preliminare dei dati finanziari
Raccogliere e organizzare dataset di notizie finanziarie. Identificare pattern testuali e metriche di mercato correlate.
Preprocessing e tokenizzazione
Applicare tecniche NLP per normalizzare il testo. Rimuovere rumore e preparare sequenze per i modelli.
Costruzione del modello predittivo
Implementare architetture di deep learning ottimizzate. Testare configurazioni su dataset di validazione.
Valutazione e deployment
Misurare accuracy e stabilità del modello. Integrare il sistema in pipeline di produzione reali.