MODELLI STATISTICI PER LA FINANZA
Anno accademico 2025/2026 - Docente: ROBERTO DI MARIRisultati di apprendimento attesi
- Conoscenza e capacità di comprensione (knowledge and understanding): Il corso mira
a fornire gli strumenti fondamentali per la modellistica statistica di dati economici e
nanziari. - Capacità di applicare conoscenza e comprensione (applying knowledge and understan-
ding): Sulla base delle conoscenze acquisite, lo studente sarà in grado di utilizzare i
principali metodi statistici, al fine di analizzare e investigare aspetti essenziali di fenomeni
economici e finanziari. - Autonomia di giudizio (making judgements): lo studente sarà in grado di raccogliere,
elaborare ed interpretare dati di natura quantitativa e qualitativa. Lo studente potrà
poi organizzare sistematicamente tali valutazioni in una riflessione articolata su specifiche
realtà economico-finanziarie. - Abilità comunicative (communication skills): Lo studente sarà in grado di trasferire ad altri con padronanza di linguaggio tecnico, informazioni e valutazioni relative a distribuzioni di dati inerenti realtà economico-finanziarie.
- Capacità di apprendimento (learning skills): alla ne del corso di lezioni lo studente avrà
acquisito le conoscenze necessarie per poter proseguire i suoi studi economici e nanziari.
L'apprendimento è ottenuto con un processo graduale in stretta relazione con le tematiche
disciplinari e con gli obiettivi formativi peculiari del Corso di Laurea Specialistica in
Finanza Aziendale.
Modalità di svolgimento dell'insegnamento
Didattica frontale classica; laboratori software R
Prerequisiti richiesti
Statistica di base
Frequenza lezioni
Fortemente consigliata
Contenuti del corso
|
Testi di riferimento
- Slides del docente.
- G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media, 2013.
- P. Newbold, W. L. Carlson, B. Thorne. Statistics for business and economics. Boston, MA: Pearson, 2013
| Autore | Titolo | Editore | Anno | ISBN |
|---|---|---|---|---|
| G. James, D. Witten, T. Hastie, R. Tibshirani. | An Introduction to Statistical Learning: with Applications in R. | Springer Science & Business Media | 2013 | |
| P. Newbold, W. L. Carlson, B. Thorne. | Statistics for business and economics. | Boston, MA: Pearson | 2013 |
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Richiami di Statistica base: calcolo elementare delle probabilità; variabili aleato- rie (v.a.) discrete e continue, definizioni, funzione di ripartizione, valore atteso e varianza, v.a. note; stima puntuale, propriet degli stimatori, metodi di costruzione; verifica di ipotesi e costruzione di statistiche test; intervalli di confidenza. | Slides |
| 2 | Modelli di regressione: regressione lineare semplice, test di ipotesi, interpretazione, stima dei parametri, bontà di adattamento; regressione lineare multipla, test di ipotesi, stima dei parametri, bontà di adattamento. | Slides |
| 3 | Modelli di regressione non lineari: modello logit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri; modello probit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri. | Slides |
| 4 | Modelli ANOVA: costruzione delle variabili, il modello, interpretazione. | Slides |
| 5 | Analisi delle Componenti Principali (Principal Component Analysis): richiami di algebra delle matrici, definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni. | Slides |
| 6 | Analisi dei Gruppi (Cluster Analysis): Obiettivi e dati, decomposizione della devianza, metodo non gerarchico del K-medie (K-means), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma e scelta del numero di gruppi. Cenni sul K-medie fuzzy (fuzzy K-means). | Slides |
| 7 | Misture di distribuzioni: definizioni, interpretazioni e stima. Analisi dei gruppi basata su modelli mistura (Model-Based Clustering). | Slides |
| 8 | Statistica applicata 1: inferenza causale, limiti dell'analisi di regressione, approccio con variabili strumentali (IV approach). Metodi di previsione. Regressione lineare con dati temporali, AR(1), diagnostica, confronto tra modelli. | Slides |
| 9 | Statistica applicata 2: Modelli di previsione del rischio. Modelli di scoring. Applicazione dei modelli logit e probit per previsione di default. Metodi di segmentazione di mercato (Latent Class Analysis). | Slides |
| 10 | Analisi statistiche attraverso il linguaggio di programmazione R. | Slides |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
Esame scritto a risposta aperta e, in caso di superamento, esame orale
Esempi di domande e/o esercizi frequenti
- Il modello di regressione lineare
- Il modello di regressione non lineare
- Stimatore di massima verosimiglianza
- Modello ANOVA
- Analisi dei gruppi tramite il metodo delle K-medie
- Limiti dell'analisi di regressione
- Modello logit per la previsione di default