ITALIANO

Questo corso si propone di descrivere metodi e modelli statistici per la valutazione del rischio in ambito economico-finanziario.
Saranno presentate ed approfondite tutte le fasi di quantificazione, previsione e gestione del rischio, focalizzandosi sulla formulazione di modelli, sulle ipotesi retrostanti, sui metodi esplorativi di analisi dei dati, sui risultati ottenuti e sulla loro corretta interpretazione.
Nel corso sarà data enfasi alla fase di raccolta, organizzazione e codifica dei dati, alla selezione ed applicazione delle tecniche di statistica multivariata e dell’analisi esplorativa dei dati attraverso il software open source R.

D’Ambra L. Lezioni d’Inferenza Statistica, RCE editore.
Gherghi M., Lauro N.C. Analisi Multidimensionale dei Dati. RCE editore.
Eventuali dispense integrative

La quantificazione, la previsione e la gestione del rischio sono competenze necessarie per affrontare un percorso professionale in ambito economico-finanziario.
Finalità di questo corso è trasmettere agli studenti alcuni strumenti statistico/informatici finalizzati alla misurazione ed alla gestione dei rischi in ambito economico-finanziario.
Gli obiettivi formativi del corso comprendono l'acquisizione sia di una formazione teorica (metodi e modelli statistici), sia pratica con il software open source R per l'analisi dei dati provenienti dal contesto economico-finanziario.

Conoscenze matematiche con particolare approfondimento di algebra matriciale, derivate, massimi e minimi.
Competenze di statistica descrittiva, inferenza statistica e probabilità

La didattica sarà articolata nel modo seguente.
- Lezioni frontali durante le quali il docente presenta gli argomenti del corso e invita gli studenti a partecipare attivamente ad esse, presentando esempi, formulando domande e rispondendo a domande.
- Esercitazioni svolte dal docente durante le quali si analizzano sia dati fittizi che reali utilizzando il linguaggio di programmazione R..
- Esercitazioni svolte dagli studenti con la supervisione del docente durante le quali gli studenti analizzano un problema statistico al fine di utilizzare le tecniche statistiche più appropriate presentate durante il corso e di interpretare i risultati.
- Studio individuale: agli studenti sono suggeriti alcuni libri di testo, slide ed esercizi disponibili on line funzionali allo sviluppo di autonome capacità di apprendimento.

L'esame consiste in una prova orale, durante la quale verrà chiesto agli studenti di:
spiegare e discutere le metodologie statistiche studiate;
applicare i metodi statistici studiati su dati concreti utilizzando l’ambiente di programmazione R in presenza del docente.

Materiale didattico aggiuntivo.
Slide proiettate durante le lezioni frontali.
Caso studio

Nel corso si affrontano i seguenti argomenti.
- Raccolta, organizzazione e codifica dei dati.
- Analisi delle Componenti Principali: presentazione del metodo; analisi nello spazio delle variabili; analisi nello spazio delle unità; assi, fattori, componenti principali, coordinate, punti supplementari; scelta del numero di fattori; rappresentazione grafica; interpretazione dei fattori.
- Analisi fattoriale discriminante: presentazione del metodo, determinazione delle funzioni lineari discriminanti; regola di classificazione e valutazione dei risultati; selezione delle variabili; stabilità dei risultati.
- Modello di Regressione lineare multiplo: Assunzioni del modello; stima dei parametri con il metodo dei minimi quadrati; proprietà degli stimatori dei minimi quadrati; bontà di adattamento; test sui coefficienti di regressione; tabella ANOVA; analisi dei residui.
- Cenni di regressione logistica e multinomiale
- Applicazioni con il software open source R

Italian

This course aims to describe statistical methods and models for risk assessment in the economic-financial field.
All phases of risk quantification, forecasting and management will be presented and analyzed, focusing on the formulation of models, the underlying assumptions, the exploratory methods of data analysis, the results obtained and their correct interpretation.
During the course, emphasis will be given to the phase of data collection, organization and coding, the selection and application of multivariate statistical techniques and exploratory data analysis through the open source software R.

D’Ambra L. Lezioni d’Inferenza Statistica, RCE ed.
Gherghi M., Lauro N.C. Analisi Multidimensionale dei Dati. RCE ed.
Any supplementary handouts

Risk quantification, forecasting and management are skills necessary to face a professional career in the economic-financial field.
The purpose of this course is to teach students some statistical / IT tools aimed at measuring and managing risks in the economic-financial field.
The training objectives of the course include the acquisition of both theoretical training (statistical methods and models) and practical training with the open source software R for the data analysis from the economic-financial context.

Mathematical skills with particular in-depth knowledge of matrix algebra, derivatives, maximums, and minimums.
Knowledge of descriptive and inferential statistics, and probability

The teaching is organised as follow.
- Lectures, during which the teacher presents the course topics and looks for to capture student interest, by presenting examples, by asking for and answering questions.
- Exercises conducted by the teacher during which we analyze real and simulated data through the open source software R.
- Exercises carried out by students with supervision of the teacher during which students analyze a statistical problem in order to use the most appropriate statistical techniques presented during the course.
- Individual study: textbooks, slides and exercises useful to the development of the autonomous learning are suggested to students.

The exam consists of an oral test, during which students will be asked to:
explain and discuss the statistical methodologies studied;
apply the statistical methods studied to real data using the R programming environment in the teacher's presence.

Other teaching material.
Slides projected during lectures.
Case study

The course addresses the following topics.
- data collection, organization and coding.
- Principal components analysis: presentation of the method; analysis in the space of variables; analysis in the space of units; axes, factors, principal components, coordinates, additional points; choice of the number of factors; graphic representation; interpretation of the factors.
- Discriminant factor analysis: presentation of the method, determination of linear discriminating functions; rule of classification and evaluation of results; variables selection; stability of results.
- Multiple linear regression model: model assumptions; parameters estimation by least squares method; properties of least squares estimators; goodness of fit; test on regression coefficients; ANOVA table; residuals analysis.
- Hints of logistic and multinomial regression
- Applications with open source software R