Support Vector Machines per l'Ottimizzazione di Portafoglio
Scopri come il machine learning sta trasformando l'analisi dei cluster di portafoglio e partecipa a questo evento dedicato alle tecniche più recenti.
Programma dell'evento
Agenda del seminario
-
Parte 1: Fondamenti matematici
Teoria delle SVM e massimizzazione del margine. Formulazione del problema di ottimizzazione. Concetto di vettori di supporto e slack variables.
-
Parte 2: Kernel e feature spaces
Kernel trick e spazi di Hilbert. Confronto tra kernel lineari, polinomiali, RBF e sigmoidei. Scelta del kernel per problemi finanziari.
-
Parte 3: Implementazione pratica
Utilizzo di scikit-learn e LIBSVM. Tuning del parametro C e gamma. Cross-validation stratificata per serie temporali.
-
Parte 4: Applicazioni al portfolio management
Classificazione binaria per decisioni long-short. Multi-class classification per ranking di asset. Integrazione con tecniche di ottimizzazione media-varianza.
-
Parte 5: Valutazione delle performance
Metriche specifiche per problemi finanziari. Analisi dei rendimenti risk-adjusted. Confronto con benchmark tradizionali e altri algoritmi ML.
Cosa imparerai
Implementa algoritmi SVM per classificare asset in base al potenziale di rendimento e costruire portafogli ottimizzati con tecniche di apprendimento supervisionato.
Classificazione avanzata per decisioni di investimento
Le support vector machines offrono capacità di classificazione robuste anche in presenza di rumore elevato, caratteristica tipica dei dati finanziari. Il seminario copre sia SVM lineari che kernel non lineari, con particolare enfasi sulle applicazioni pratiche nella gestione di portafoglio.
Classifica azioni in categorie di performance attesa utilizzando variabili fondamentali e tecniche.
Kernel e trasformazioni non lineari
Comprendi come i kernel RBF, polinomiali e sigmoidei permettono alle SVM di identificare confini decisionali complessi nello spazio delle caratteristiche. Applica tecniche di regolarizzazione per controllare il compromesso tra accuratezza sul training set e capacità di generalizzazione.
- Selezione degli asset
- Identifica titoli con probabilità elevata di sovraperformare il benchmark nei successivi tre mesi, utilizzando dati bilancio e prezzi storici.
- Rebalancing dinamico
- Adatta la composizione del portafoglio in risposta a cambiamenti nelle condizioni di mercato identificati dal modello.
Il relatore Tommaso Ferracini condivide esperienze dirette nell'implementazione di SVM presso società di gestione del risparmio, analizzando performance storiche e sfide operative concrete.
Distribuzione degli argomenti
Hai domande?
Scrivimi direttamente a support@vandlorek.com per maggiori dettagli sull'evento o per ricevere il link di partecipazione.
Resta aggiornato
Visita la pagina eventi per scoprire altri appuntamenti dedicati al machine learning nell'analisi dei portafogli finanziari.