Course 2024-2025 a.y.

• L'econometria dei rendimenti finanziari: i fatti stilizzati. Principi di teoria e pratica delle previsioni.
• Concetti di base in analisi delle serie storiche: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.
• Modelli Autoregressive Moving Average (ARMA) e le loro applicazioni pratiche; Selection and Estimation of AR, MA and ARMA models; Previsione dei processi ARMA.
• Radici unitarie e trend; il problema della regressione spuria.
• Modelli di volatilità univariata: ARCH and GARCH.
• Modelli avanzati di volatilità: Non-Gaussian Marginal Innovations; modelli GARCH aumentati con Exogenous (Predetermined) Factors; Prevedere con GARCH; stima ed inferenza di modelli GARCH.
• La varianza realizzata e la sua modellizzazione.
• Random Forests e Alberi nelle applicazioni finanziarie.
• Le reti neurali nelle applicazioni finanziarie.

• Apprezzare i fatti stilizzati chiave riguardanti le serie finanziarie.
• Padroneggiare concetti di base in analisis delle serie storiche: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.
• Essere in controllo delle logiche e delle tecniche di costruzione di esperimenti di previsione e back-testing nell'ambito time series.
• Comprendere struttura e proprietà di base dei modelli ARMA e le loro applicazioni; Selection and Estimation of AR, MA and ARMA models; Previsione dei processi ARMA.
• Familiarizzare con il concetto e le conseguenze delle radici unitarie.
• Comprendere i problemi causati dalle regressioni spurie.
• Apprendere pienamente i principi della modellizzazione della volatilità a livello univariato.
• Riconoscere e sapere sfruttare i benefici della disponibilità di dati di varianza realizzata in vista dei suoi svantaggi.
• Familiarizzare con le applicazioni di alcune tecniche di Machine Learning (Random Forests e Alberi e reti neurali) ai dati finanziari.

• Riconoscere ed invocare i fatti stilizzati chiave riguardanti le serie finanziarie.
• Stimare ed utilizzare le Sample Autocorrelations and Sample Partial Autocorrelations.
• Istruire esperimenti di back-testing e forecasting ricursivo.
• Stimare modelli ARMA ed applicarli in pratica; selezionare e stimare modelli AR, MA ed ARMA; Previsione dei processi ARMA.
• Individuare potenziali radici unitarie e gestirle.
• Riconoscere e trattare problemi di regressione spuria.
• Specificare e stimare modelli univariati di volatilità di diverse tipologie.
• Specificare e stimare modelli di volatilità con innovazioni non-Gaussiane ed estesti a variabili esogene.
• La previsione con i modelli GARCH.
• Stimare ed applicare Random Forests e Alberi a dati finanziari.
• Effettuare il training ed applicare reti neurali a problemi previsivi.

• Lezioni
• Esercitazioni pratiche
• Lavori/Assignment di gruppo

• Il corso prevede 6 sessioni di laboratorio con utilizzo del linguaggio di programmazione Python. Durante le sessioni vengono presentati una gamma di esempi concernenti il materiale teorico coperto nelle lezioni frontali e semplici programmi sono scritti e commentati per fornire un'introduzione alla pratica dell'applicazione dell'econometria finanziaria a problemi concreti. 
• Le sessioni di laboratorio rappresenteranno occasione per lavorare ad assignment di gruppo che sono valutati qualora presentati ai docenti seguendo le istruzioni e modalità che saranno comunicate. Gli assignments saranno tre e nel loro complesso contribuiranno fino a circa 35 percento della votazione conclusiva.

Esistono due opzioni di valutazione, tra cui lo studente ha facoltà di scelta.

Nel primo caso, la valutazione è basata su due elementi:

• 11 punti su 31 verranno da 3 homework di gruppo opzionali (con punteggi di 3, 3 e 5 punti, rispettivamente) svolti durante il semestre;
• 20 punti sono assegnati da un esame finale.
   

Ciascuna esercitazione d'aula è basata sulle sessioni di laboratorio tenute nel software Python e consiste di una estensione applicazioni di comandi, metodi e concetti presentati duranti i laboratori. L'esame finale consisterà di un mix di domande a scelta multipla e domande aperte volte a verificare l’apprendimento delle conoscenze statistiche ed applicative e la loro corretta comprensione.

Nella seconda opzione, l'intera valutazione (31 punti su 31) è basata su un esame finale basato su di un mix di domande a scelta multipla e domande aperte volte a verificare l’apprendimento delle conoscenze statistiche ed applicative e la loro corretta comprensione.

• M. GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018, 1st edition.

• Econometrics of financial returns: stylized facts. Principles of theory and practice in forecasting.
• Basic concepts in time series analysis: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.  
• Autoregressive Moving Average (ARMA) models and their practical applications; Selection and Estimation of AR, MA, and ARMA models; Forecasting ARMA processes.  
• Unit roots and trends; the problem of spurious regression.  
• Univariate volatility models: ARCH and GARCH.  
• Advanced volatility models: Non-Gaussian Marginal Innovations; GARCH models augmented with Exogenous (Predetermined) Factors; Forecasting with GARCH; estimation and inference of GARCH models.
• Realized variance and its modeling.
• Random Forests and Decision Trees in financial applications.  
• Neural networks in financial applications.  

• Appreciate the key stylized facts concerning financial time series.
• Master basic concepts in time series analysis: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.
• Gain control over the logic and techniques for constructing forecasting experiments and back-testing in time series contexts.  
• Understand the structure and basic properties of ARMA models and their applications; Selection and Estimation of AR, MA, and ARMA models; Forecasting ARMA processes.
• Become familiar with the concept and implications of unit roots.
• Understand the problems caused by spurious regressions.
• Fully learn the principles of univariate volatility modeling.
• Recognize and leverage the advantages of realized variance data while accounting for its disadvantages.
• Familiarize with the applications of selected Machine Learning techniques (Random Forests, Decision Trees, and Neural Networks) to financial data.  

• Construct back-testing experiments and recursive forecasting.
• Estimate ARMA models and apply them in practice; select and estimate AR, MA, and ARMA models; forecast ARMA processes.
• Identify potential unit roots and address them.
• Recognize and handle issues of spurious regression.
• Specify and estimate univariate volatility models of various types.
• Specify and estimate volatility models with non-Gaussian innovations and extensions to exogenous variables.
• Forecast using GARCH models.
• Estimate and apply Random Forests and Decision Trees to financial data.
• Train and apply neural networks to predictive problems.  

• Lectures
• Practical Exercises
• Collaborative Works / Assignments

• The course includes six lab sessions using the Python programming language. During these sessions, a range of examples related to the theoretical material covered in the lectures are presented, and simple programs are written and discussed to provide an introduction to the practical application of financial econometrics to real-world problems.
• The lab sessions will also serve as an opportunity to work on group assignments, which will be evaluated if submitted to the instructors according to the instructions and guidelines that will be provided. There will be three assignments, and together they will contribute up to approximately 35% of the final grade.

There are two assessment options, and students can choose between them.

In the first option, the evaluation is based on two components:

__ 11 out of 31 points come from three optional group homework assignments (worth 3, 3, and 5 points, respectively) completed during the semester.

__ 20 points are assigned based on a final exam.  

Each classroom exercise is based on the lab sessions conducted using Python software and involves extending the applications of commands, methods, and concepts introduced during the labs. The final exam will consist of a mix of multiple-choice and open-ended questions designed to assess the understanding of statistical and applied knowledge as well as its proper comprehension.

In the second option, the entire evaluation (31 out of 31 points) is based on a final exam. This exam will also consist of a mix of multiple-choice and open-ended questions aimed at verifying the learning of statistical and applied knowledge and its proper understanding.

• M GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018 1st edition.