Relazione di Matematica Finanziaria - SNS 2005

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Relazione di Matematica Finanziaria - SNS 2005"

Transcript

1 Relazione di Matematica Finanziaria - SNS 5 Valerio Bigiani, Simone Giacomelli, Marco Golla, Paolo Piserchia Sommario Indice Introduzione Le reti neurali: una breve presentazione 3 Interpolazione ed estrapolazione di funzioni 3 4 Previsione del cambio Euro-Dollaro 5 4. STRATEGIA BEST STRATEGIA WORST STRATEGIA EURO STRATEGIA NAIVE STRATEGIA MACD RETE NEURALE DATI FORMULE Bilancio finale 5

2 Introduzione In questa tesina ci proponiamo di dimostrare l efficacia dell approccio delle reti neurali a problemi di previsione delle quote di mercato. In particolare, cercheremo di prevedere l andamento del cambio euro dollaro in un sistema caratterizzato da elevato rumore di fondo, dovuto alle fluttuazioni dell indice di mercato, e stimeremo l efficienza della rete attraverso il confronto con altri algoritmi di mercato nella previsione della valuta nelle successive giornate. Nella nostra analisi, ci baseremo sui risultati di un precedente articolo di C. Dunis e M. Williams 3, che ci è servito da guida nella scelta degli indici da considerare e nella strutturazione dell esperimento. Al fine di capire i paramentri di apprendimento della rete, ne abbiamo testato la capacitá di interpolare il grafico di una funzione sporcata con un certo errore. In seguito abbiamo valutato l influenza dei parametri di input sull estrapolazione del grafico di una funzione anch essa affetta da errore. Abbiamo allenato, infine, la rete nel cambio Euro-Dollaro e confrontato il guadagno ottenuto con quello di strategie piú ingenue. Le reti neurali: una breve presentazione Le reti neurali sono uno degli ultimi ritrovati nel campo dell intelligenza artificiale e sono paradossalmente un ritorno alle origini che si é rivelato sorprendentemente efficace. Come dice il nome stesso, la struttura è quella di una rete che dovrebbe imitare il funzionamento di una rete neurale biologica, ovvero simulare la trasmissione di impulsi da neurone a neurone: anche la terminologia è mutuata dalla biologia, ed infatti ritroveremo anche molte analogie linguistiche. Si tratta quindi di creare un sistema informatico per apprendere ed interpretare dati, per interpolare ed estrapolare informazioni. La differenza rispetto agli altri sistemi consiste nel metodo di apprendimento: mentre normalmente si dovrebbe insegnare ad un computer come svolgere una data operazione, la rete neurale impara autonomamente, cosí come in natura il cervello apprende da sé le nozioni che riguardano il mondo che lo circonda. Ovviamente, non si cercherà di implementare un programma che simuli il comportamento di una rete con milioni di neuroni, come puó essere un cervello umano, ma si puó molto piú modestamente cominciare a risolvere problemi di bassa difficoltá, e cominciare ad implementare piccole reti con un numero di neuroni dell ordine della decina, che si rivelano comunque molto efficaci. Ora, la domanda sorge spontanea: come si simula una rete neurale biologica? La risposta, motivata da mezzi tecnici (potenza dei computer) e teorici (teoremi di convergenza) sta in un modello molto semplice: si simula un neurone come un unitá, un mini-processore, in grado di assegnare un importanza ai dati in ingresso, e di valutare (con una somma) una risposta ad un problema. I neuroni, poi, comunicano i valori emettendo un singolo output, cioé la somma che hanno calcolato, a tutti i neuroni a cui sono connessi: bisogna quindi fissare a priori una rete di connessioni interneurali, ciascuna dotata di uno o due versi di comunicazione, dei neuroni di input, dei neuroni di output, e assegnare dei valori di importanza alle varie connessioni. Riguardo ai vari tipi di rete, il campionario è vario: esistono reti sostanzialmente casuali, reti piene, reti a senso unico, reti ordinate, ma con feedback, reti che imparano da sole, reti che vengono guidate nell apprendimento... Nei modelli auto-apprendenti, le reti analizzano e gestiscono da sé i dati, senza alcun sostanziale apporto dall esterno, aumentando l imprevedibilitá delle previsioni e l incertezza del risultato. Per il nostro esperimento, ci siamo serviti di cosiddetti Multi Layer Perceptrons (MLP), ovvero percettroni a piú strati, in cui i neuroni sono disposti in strati, tali che nessun neurone comunichi con neuroni del proprio strato, ma trasmetta il proprio output a quelli dello strato successivo. Quello che si ottiene è quindi una rete in cui il flusso di dati procede ordinatamente dall input all output, senza alcun feedback. Le nostre reti, poi, sono guidate nell analisi e nell apprendimento dei dati. Esistono peró anche reti di tipo MLP in cui il flusso non procede solo feedforward, ma anche feedback, ovvero le informazioni giá rielaborate da uno strato possono essere riportate indietro e rielaborate nuovamente dagli strati precedenti. In questo modo, chiaramente, si possono creare dei loop, e la computazione dovrebbe risultare piú lenta. Ci sono poi reti in cui i neuroni sono disposti senza alcun ordine, e ciascun neurone trasmette a ciascuno degli altri, o a sottogruppi pressoché casuali, le proprie informazioni, ma non ci siamo occupati di questo. Ciascun neurone deve quindi pesare le informazioni che riceve dai neuroni precedenti, con pesi da determinarsi. Risultati teorici dicono che le funzioni dette sigmoidi ( +e ) sono adatte a questo scopo. Quindi a x ciascuna connessione è assegnato un valore, detto peso che ne valuta l importanza all interno della rete. Modelling and trading the EUR/USD Exchange Rate: do Neural Networks models perfom better?, Professore di Banking and Finance alla Liverpool Business School 3 Ricercatore Associato al CIBEF, Center for International Banking, Economics and Finance

3 Dobbiamo ora insegnare alla rete neurale come apprendere: innanzitutto si sceglie un campione di dati, tra quelli a disposizione, in base ai quali la rete calibri i valori dei pesi, ed un altro campione su cui la rete dovrá effettuare i confronti, senza modificare l insieme dei pesi; in questo modo si dovrebbe evitare che la rete impari troppo bene i dati giá visti, e riesca a lavorare correttamente anche su nuovi dati. Dopodiché viene la fase dell apprendimento vero e proprio: nel nostro esperimento, ci siamo serviti di funzioni giá implementate nel programma Root. Il meccanismo di funzionamento di questi programmi, la cui scelta è ancora una volta dettata da ragioni teoriche, si basa su un meccanismo di riconoscimento della pendenza : ció che la rete fa è analizzare l andamento dell errore in un intorno dello spazio dei pesi che sta utilizzando in quel momento, spostandosi nella direzione che minimizza l errore. A questo punto, il rischio è quello di arenarsi in minimi locali: per evitare queste situazioni, la rete aumenta lo spostamento in base alla pendenza, spostando maggiormente il set di pesi, nel caso ci si trovi in un intorno relativamente piatto dell errore. 3 Interpolazione ed estrapolazione di funzioni La prima parte dell esperienza è stata quindi dedicata a valutare il funzionamento della rete neurale in funzione dei parametri d ingresso, dell errore associato ai dati e dell intervallo utilizzato per l apprendimento in relazione a quello di test. Abbiamo provato a darle in pasto dati riguardanti funzioni molto semplici, e ne abbiamo osservato il comportamento rispetto ad interpolazione ed estrapolazione. Le funzioni di test erano generalmente variazioni sul tema trigonometrico-esponenziale, sporcate con variabili gaussiane a media, e varianza tra, 3 e. Abbiamo osservato il comportamento della rete rispetto alla ricorsione, e notato, come ci si sarebbe aspettato, che bisogna dare un numero adeguato di informazioni alla rete, affinché lei riesca ad interpretare correttamente i dati: RETE La prima rete ha lo scopo di valutare la capacità di interpolazione dei dati in funzione di un solo dato di ingresso: la rete si allena sui dati (x, sin x), simulando come input la sola x, e calibrando il set dei pesi. Alla fine, ricevendo come unico input x, la rete calcola, per interpolazione, sin x La funzione generatrice dei dati è 4 f(x) = sin x + Gauss(,.8) differences (impact of variables on ANN) x x sinx Histogram.5.5 Entries Mean x 3.4 Mean y RMS x.87 RMS y.985 NN output Figura : RETE Nel riquadro in basso a destra dove sono rappresentati i grafici della funzione generatrice ripulita dall errore, in rosso, e quello della previsione generata dalla rete, in nero. Possiamo osservare come l interpolazione, a dispetto del notevole errore, sia ottima e quasi perfetta: la rete riconosce l andamento generale dei dati. 4 Gauss (a,b) è una funzione che genera numeri casuali che si distribuiscono su una gaussiana di media a e varianza b 3

4 RETE Il secondo grafico mette il luce, invece, l incapacita della seconda rete nell estrapolare dati se la sua struttura e dipendente da un solo dato di input. Abbiamo infatti utilizzato la stessa base di dati della rete per l apprendimento. Alla rete, pero e stato chiesto di generare la funzione su un intervallo doppio rispetto a quello di training. La funzione generatrice dei dati e f (x) = sin x + Gauss(,.8) differences (impact of variables on ANN) x x sinx Histogram NN output Entries Mean x 3.4 Mean y RMS x.87 RMS y Figura : RETE Si evince dai grafici che la rete approssima bene la funzione nell intervallo in cui ha eseguito il training ([ : 6]) mentre si discosta notevolemte da essa nell intervallo ([6 : ]): la traccia nera si distacca nettamente da quella rossa fuori dall intervallo di allenamento. Questa prova e stata decisiva per comprendere che la capacita di previsione della rete e in stretta relazione con il numero di parametri di input. RETE 3 Nella terza rete i dati sono il valore di x e f (x.)... f (x.5). La funzione usata e x f (x) = e 5 sin 5x + Gauss(,.) differences (impact of variables on ANN) x sinxp sinxpp sinxppp sinxpppp sinxppppp sinxppppp sinxpppp sinxppp sinx sinxpp sinxp x Entries Mean x 3 Mean y.3 RMS x.73 RMS y.4767 Histogram.5 NN output Figura 3: RETE3 Come risulta dal grafico la rete riesce a prevedere anche nell intervallo di dati nel quale non ha eseguito ne il training ne il test [6; ]. Abbiamo anche testato l efficienza delle previsioni in funzione del numero di parametri iniziali, e abbiamo osservato che 5 e il minimo numero di valori necessari per una previsione soddisfacente. 4

5 4 Previsione del cambio Euro-Dollaro Il cuore dell esperienza è stata peró la previsione dell andamento del cambio Euro/Dollaro. La rete accetta come input una serie di dati relativi ad alcuni cambi internazionali, che si suppone influenzino in maniera significativa l andamento del dato che ci interessa: il cambio Dollaro/Yen, il cambio Dollaro/Sterlina, ed il cambio Euro/Dollaro, ciascuno nei quattro giorni precedenti la previsione. In realtá, come suggerito nel giá citato articolo 5, non abbiamo inserito il dato relativo al cambio, ma il rapporto tra la differenza dei cambi nei due giorni precedenti e il cambio nel giorno precedente: se il cambio nel giorno i è r i, ció che la rete prende come input è ri ri r i ; sembra infatti che in questo modo la rete riesca ad interpretare meglio i dati. L operazione si è svolta nel seguente modo: per poter apprezzare la variazione dell efficienza della rete in base al numero di neuroni ed al numero di train, abbiamo effettuato un centinaio di prove, utilizzando via via un numero maggiore di strati e di neuroni per ciascuno strato. Ció che volevamo che la rete restituisse, era un singolo output, oppure : se la rete prevedeva che sarebbe stato vantaggioso comprare euro (che poi, nel nostro esperimento, cambiamo ogni sera), se la rete prevedeva che sarebbe stato piú vantaggioso tenere i dollari. Inizialmente abbiamo fatto allenare la rete neurale sui dati di input per un periodo di anni, reiterando il processo di apprendimento sugli stessi dati tra le 5 e le volte, su un campione di circa anni, e testandoli su un periodo di circa anni. Abbiamo poi lasciato che la rete calcolasse il cambio Euro-Dollaro per i successivi due anni, mantenendo il set di pesi stabilito nel periodo di training precedente. Infine, abbiamo calcolato il guadagno che si sarebbe ottenuto comprando e vendendo secondo le previsioni effettuate dalla rete. Infine abbiamo confrontato i risultati ottenuti con quelli di altre strategie piú ingenue: CASUALE Consiste nell acquisto casuale di Euro o Dollari, indipendentemente dal reale andamento del mercato NAIVE Consiste nel se ha guadagnato oggi, guadagnerá anche domani : se l Euro sale al tempo, allora conviene comprare Euro, altrimenti si tengono i Dollari 6 Y t+ = Y MACD (Moving Average Convergence Divergence) Viene confrontato l andamento nel giorno con la media degli andamenti in un certo numero di giorni precedenti Y t+ = Y t + Y t + + Y t n+ n Poiché la previsione, con questa strategia, è molto veloce, abbiamo effettuato prove con il confronto con le medie dei primi n giorni precedente, al variare di n tra e (ed in tal caso la strategia coincide con la strategia Naive), osservando tra l altro che, al crescere di n, la strategia tende ad uniformarsi a quella che tiene i Dollari, e non cambia mai. Abbiamo poi confrontato tutte queste strategie con la strategia piú conservativa (ed Euro-fiduciosa), ovvero quella che cambia continuamente i Dollari in Euro, e con le strategie migliore e peggiore, ovvero quelle ottenute calcolando a posteriori il massimo guadagno e la massima perdita che si sarebbero potute ottenere. Ovviamente, il bilancio finale è la quantitá di denaro che la rete ha permesso di ottenere, partendo da un investimento base di Dollari, seguendo le indicazioni della rete. L annualized return è invece il guadagno medio annuale. Piuttosto curioso, nonché vagamente preoccupante, il dato del guadagno della banca, che prende lo,3% su ogni transazione effettuata, arrivando a guadagnare mediamente una cinquantina di dollari. 5 Modelling and trading the EUR/USD Exchange Rate: do Neural Networks models perfom better?, 6 Y t è il guadagno previsto per il giorno successivo a oggi (t), mentre Y t è il guadagno attuale al periodo t 5

6 4. STRATEGIA BEST La strategia Best non costituisce una strategia di previsione del mercato, ma semplicemente analizza i dati e sapendo il valore del cambio al tempo t+ decide al tempo t di comprare solo se all indomani ne trarrá profitto. Come risulta dal grafico la funzione è monotona crescente questo ad indicare che l algoritmo compie ogni giorno la scelta ottimale di mercato. Questa strategia ha il compito di simulare un ipotetico compratore che riesce a prevedere in maniera ottimale l andamento dell indice Euro-Dollaro, inoltre serve a fornire un idea quantitativa del massimo guadagno raggiungibile. BEST 8 Entries 48 Mean x 499 Mean y 54. RMS x 39. RMS y Figura 4: STRATEGIA BEST 4. STRATEGIA WORST La strategia Worst, come la Best, analizza i dati al tempo t + al fine di comprare o vendere massimizzando la perdita. Il grafico è ovviamenente decrescente e mette in luce quali sono le possibilità massime di perdita compiendo scelte sbagliate nella compravendita Euro/Dollaro. Worst 8 Entries 48 Mean x 499 Mean y 67.6 RMS x 39. RMS y Figura 5: STRATEGIA WORST 6

7 4.3 STRATEGIA EURO La strategia euro simula un ipotetico investitore che decide di credere nella crescita dell Euro e valuta il suo patrimonio in Dollari. Il grafico rappresenta l andamento del valore (in Dollari) dell investimento. Euro 8 6 Entries 48 Mean x 499 Mean y RMS x 39. RMS y Figura 6: STRATEGIA EURO 4.4 STRATEGIA NAIVE La strategia Naive è la strategia ingenua dell (incauto) investitore che ritiene che guadagnare oggi implichi guadagnare domani. Come mostra il grafico questa strategia è molto efficace nei periodi di mercato stazionario o di guadagno continuato di una delle due monete sull altra. In fasi di mercato con molte fluttuazioni, invece, fallisce nelle sue previsioni e come nel periodo da noi preso in esame, porta l investitore ad una perdita rispetto al capitale iniziale. Naive 4 Entries 48 Mean x 499 Mean y 97.3 RMS x 39. RMS y Figura 7: STRATEGIA NAIVE 7

8 4.5 STRATEGIA MACD L applicazione della strategia a media mobile ha prodotto risultati molto diversi tra loro, al variare nel numero di giorni su cui le facevamo calcolare la media. La strategia è peró generalmente caratterizzata da un basso numero di scambi, che risponde al problema delle perdite dovute al costo delle transizioni. Nella tabella finale abbiamo riportato tre delle simulazioni che ci sono sembrate più significative (ovvero quella risultata essere la peggiore, una delle strategie intermedie, quella risultata come la migliore). Il numero che le caratterizza indica il numero di giorni su cui la strategia effettua la media. MACD 4 MACD 4 Entries 48 Mean x 499 Mean y 9.83 RMS x 39. RMS y Figura 8: PEGGIOR STRATEGIA MACD MACD 9 MACD 4 Entries 48 Mean x 499 Mean y RMS x 39. RMS y Figura 9: STRATEGIA MACD MEDIA 8

9 MACD 57 MACD 8 6 Entries 48 Mean x 499 Mean y.9 RMS x 39. RMS y Figura : MIGLIOR STRATEGIA MACD 4.6 RETE NEURALE Come giá detto, anche per la rete neurale sono state tentate diverse configurazioni. Tutte le configurazioni accettano come input il tasso di cambiamento del cambio Euro/Dollaro, Euro/Yen ed Euro/Sterlina nei quattro giorni precedenti e tentano di prevedere il segno del tasso di cambio Euro/Dollaro. Abbiamo poi scritto un programma che, a seconda dei vari output della rete, acquista automaticamente Euro, oppure tiene Dollari, e calcola di conseguenza l andamento del patrimonio nel tempo. Ciascuna delle reti provate ha uno, due o tre strati intermedi di neuroni, oltre agli strati di input e di output, ciascuno dei quali ha tra i quattro e gli otto neuroni. L ultimo parametro variato è il numero di training, ovvero il numero di volte che la rete esamina i dati di allenamento nella calibrazione dei pesi. Fra le diverse reti realizzate, sono state scelte la piú performante, la meno efficace e quella che piú si avvicinava al risultato medio di tutte le reti provate. Per ciascuna di esse, sono state allegati lo schema della rete e l andamento del patrimonio nel tempo. Lo schema della rete è un grafo piano orientato nel quale sono evidenziati i vari strati presenti: da sinistra a destra, lo strato di input ( neuroni per ciascuna rete, relativi al tasso di cambio definito in precedenza, nei 4 giorni prima della previsione da effettuarsi), gli strati intermedi, e lo strato di output, costituito dal solo neurone che deve restituire oppure. Ciascuno dei neuroni di ciascuno strato è collegato a ciascuno dei neuroni degli strati adiacenti al proprio, e lo spessore dell arco del grafo è funzione del peso ad esso assegnato: piú la connessione è grossa, maggiore è il peso ad essa assegnata. Ciascuna connessione, poi, è orientata, come conseguenza della scelta effettuata, di utilizzare solamente reti feedforward: le informazioni (ovvero i risultati delle computazioni dei singoli neuroni, o i dati di input), viaggiano solamente da sinistra verso destra. Il grafico dell andamento nel tempo, riporta invece il valore (in Dollari) del patrimonio investito, giorno per giorno. 9

10 La rete meno performante è quella con 5 neuroni nel primo strato intermedio e 8 nel secondo, allenata volte. Dobbiamo comunque osservare che la perdita di oltre Dollari non compromette il valore dell esperimento, visto che abbiamo ampiamente dimostrato che, in media, le reti neurali guadagnano. jpy4.q jpy3.q jpy.q jpy.q gbp4.q gbp3.q gbp.q gbp.q usd4.q usd3.q usd.q usd.q usd.q Figura : FORMA PEGGIOR RETE NEURALE Rete Neurale 5 Entries 48 Mean x 4983 Mean y RMS x 34.8 RMS y Figura : ANDAMENTO STRATEGIA PEGGIORE RETE NEURALE

11 La rete intermedia è quella con 7 neuroni nel primo strato intermedio e 6 nel secondo, allenata 5 volte. Bisogna comunque osservare che la rete media guadagna, nel periodo preso in esame, il,3%, contrariamente alla media di tutte le altre strategie, come si evince dalla tabella a pagina 3. Inoltre, anche confrontata con la migliore delle altre strategie, il guadagno non è da sottovalutare: la migliore strategia MACD guadagna infatti il 3,3%, e la strategia Euro ne guadagna il,9%. jpy4.q jpy3.q jpy.q jpy.q gbp4.q gbp3.q gbp.q gbp.q usd4.q usd3.q usd.q usd.q usd.q Figura 3: FORMA RETE NEURALE MEDIA Rete Neurale 5 Entries 48 Mean x 499 Mean y RMS x 39. RMS y Figura 4: ANDAMENTO STRATEGIA RETE NEURALE MEDIA

12 La rete piú performante è quella con 6 neuroni nel primo strato intermedio e 7 nel secondo, allenata 5 volte. É significativo il fatto che, nell arco di circa anni la rete arrivi a toccare guadagni oltre il %, e registri un guadagno finale oltre il 7%! E tutto ció nell ambito di una ricerca piú ampia, che supera l eccezionalitá di questo risultato, evidenziando comunque un guadagno medio di un nuovo tipo di strategia auto-gestita. jpy4.q jpy3.q jpy.q jpy.q gbp4.q gbp3.q gbp.q gbp.q usd4.q usd3.q usd.q usd.q usd.q Figura 5: FORMA MIGLIOR RETE NEURALE Rete Neurale 5 Entries 48 Mean x 4986 Mean y.4 RMS x 37.7 RMS y Figura 6: ANDAMENTO MIGLIOR STRATEGIA RETE NEURALE

13 4.7 DATI Nella tabella seguente sono riportate alcune statistiche significative riguardo ad alcune delle strategie 7 : CAS- NAIVE MACD4 MACD9 MACD57 EUR WORST BEST RETE45 RETE68 RETE56 UALE (PEGG.) (MEDIO) (MIGL.) (PEGG.) (MEDIA) (MIGL.) Bilancio Finale Annualized Return Volatilita Sharpe Rialzi Previsti Ribassi Previsti Rialzi Non Prev Ribassi Non Prev Giorni di Vacanza Vincita Migliore Perdita Peggiore Vincita Media n/a Perdita Media n/a Rapporto Guad/Perd n/a n/a Guadagno Banca Miglior Bilancio Peggior Bilancio Numero di Scambi In grassetto sono evidenziati i dati piú performanti; non sono stati considerati i dati relativi a best e worst perché non costituiscono strategie di previsione. Per quanto riguarda eur, alcuni valori sono ottimali indipendentemente dalla correttezza della previsione, esempio numero di ribassi previsti. 3

14 4.8 FORMULE Queste sono le formule (e parti di formule) per gli indici considerati nella tabella precedente Nome Statistica R t Descrizione è il valore del cambio al giorno t Y t Ỹ t R t R t R t è la previsione del valore di Y t ; è importante solo il segno. C t Y t se T t > altrimenti B t t s= (C s + ) Ch t se Ỹt Y t < altrimenti Bilancio Finale B T Annualized Return R A = 5 T T t= C t Volatilita σ A = 5 T t= N (C t C) Sharpe R A σ A Rialzi Previsti RiaP = conteggio di Y t > e Ỹt > Ribassi Previsti conteggio di Y t < e Ỹt < Rialzi Non Previsti conteggio di Y t > e Ỹt < Ribassi Non Previsti RibNP = conteggio di Y t < e Ỹt > Giorni di Vacanza conteggio di Y t = Vincita Migliore Perdita Peggiore Max T t=c t Min T t= C t Vincita Media V M = T t= P t RiaP dove P t = Y t se Y t > e Ỹt > altrimenti Perdita Media P M = Rapporto Guadagno Perdita T t= N t RibNP dove N t = Y t se Y t < e Ỹt > altrimenti V M P M Guadagno Banca.3 t= T (B tch t ) Miglior Bilancio Peggior Bilancio Numero di Scambi Max T t=b t Min T t= B t T t= Ch t 4

15 5 Bilancio finale Dunque, è giunto il momento delle conclusioni. L ambiente che abbiamo preso in analisi è vastissimo e complicato (altrimenti perché ci sarebbe cosí tanta gente che va in rovina??), e caratterizzato da un rumore di fondo generalmente molto piú forte dell andamento pulito dei dati che ci interessano, quindi a priori un soggetto molto difficile da studiare e da conoscere. Non potendo (per motivi di potenza di calcolo e di tempo) prendere in analisi molti dei fattori che influenzano i cambi monetari internazionali, ci siamo dovuti limitare a soli tre indici, che sono decisamente un campo troppo ristretto per un lavoro serio. Tuttavia, abbiamo potuto osservare che il comportamento medio delle varie reti che abbiamo provato è stato un seppur esiguo guadagno. E tale guadagno è comunque superiore alle piú rosee aspettative con strategie di tipo razionale o casuale. Inoltre alcune reti hanno avuto un guadagno pari all 8% annuo (!!), mentre le perdite sono state generalmente contenute (meno del 3% annuo). Rivediamo peró il meccanismo di funzionamento delle reti neurali: ció che la rete restituisce all utente è un interpretazione numerica di alcuni dati di ingresso, senza che la rete sappia di che si trattino, sostanzialmente restando nel buio dell ignoranza, e chiudendosi nella mera computazione, senza badare all eleganza della natura e delle sue leggi. Facciamo un esempio: se noi cercassimo di estrapolare la legge di caduta dei gravi da un numero sufficientemente alto di dati, sarebbe ragionevole aspettarsi (ed è quello che accade) che la rete interpreti in modo corretto l andamento della funzione, ovvero che sia crescente nel tempo, e che l accelerazione (almeno nell intervallo in cui variano i dati) sia pressoché costante; potrebbe peró capitare (ed malauguratamente è molto probabile che accada) che la rete interpreti la funzione h(t) dell altezza in dipendenza tempo come un polinomio di grado elevatissimo che interpola molto bene la reale funzione h(t) = gt nell intervallo dei dati presentati. Tutto ció, oltre ad andare a scapito dell efficienza e dell affidabilitá, riduce notevolmente la valenza scientifica di risultati ottenuti con le reti neurali, visto che non viene presentato alcun risultato esatto, alcuna formula, alcuna relazione precisa, ma solamente un insieme di pesi. Questo non toglie che le reti neurali rappresentino il futuro di una scienza approssimativa, di una scienza che non ha bisogno di eccessive regole, di una scienza che ha bisogno di interpretare grandi moli di dati in tempo breve (la rete, dopo l allenamento, che si svolge una tantum, esegue solo operazioni molto semplici, e anche con l attuale potenza di calcolo intepretare qualche migliaio di dati impiega qualche secondo), potendosi permettere qualche piccolo errore, senza la possibilitá reale di svolgere i calcoli in modo esatto: abbiamo dimostrato, nel nostro piccolo, come piccole, semplici reti si rivelino vantaggiose. Quello che possiamo dedurre, in ultima analisi, è il fatto che effettivamente una rete neurale possa essere in grado di prevedere con buona approssimazione dati in ambienti molto rumorosi, dove non è umanamente possibile ricavare delle interpretazioni ed approssimazioni al tempo stesso eleganti, semplici e funzionanti. Ci aspettiamo quindi che in un futuro non troppo remoto le reti, anche grazie all aumento della potenza di calcolo ed al progresso della ricerca informatica, possano diventare strumento molto utile se non indispensabile per un indagine seppur inesatta di ambienti caratterizzati da un grande disturbo sui dati: metereologia, economia, biologia, fluidodinamica, astronomia.. 5

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Pro e contro delle RNA

Pro e contro delle RNA Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;

Dettagli

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie Università del Piemonte Orientale Corso di dottorato in medicina molecolare aa 2002 2003 Corso di Statistica Medica Inferenza sulle medie Statistica U Test z Test t campioni indipendenti con uguale varianza

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

STRATEGIA DI TRADING. Turning Points

STRATEGIA DI TRADING. Turning Points STRATEGIA DI TRADING Turning Points ANALISI E OBIETTIVI DA RAGGIUNGERE Studiare l andamento dei prezzi dei mercati finanziari con una certa previsione su tendenze future Analisi Tecnica: studio dell andamento

Dettagli

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Paolo Mezzera Ottobre 2003 CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Questo lavoro ha lo scopo di confrontare previsioni ottenute mediante processi regressivi

Dettagli

Selezione avversa, screening e segnalazione

Selezione avversa, screening e segnalazione Selezione avversa, screening e segnalazione Il modello principale agente è uno strumento fondamentale per analizzare le relazioni economiche caratterizzate da problemi di asimmetrie informative un primo

Dettagli

CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA

CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA SOMMARIO: 2.1 La domanda. - 2.2 Costi, economie di scala ed economie di varietà. - 2.2.1 I costi. - 2.2.2 Le economie di scala. - 2.2.3 Le economie di varietà.

Dettagli

Equivalenza economica

Equivalenza economica Equivalenza economica Calcolo dell equivalenza economica [Thuesen, Economia per ingegneri, capitolo 4] Negli studi tecnico-economici molti calcoli richiedono che le entrate e le uscite previste per due

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Costruzione di una Rete Neurale Artificiale per applicazioni Economico Finanziarie

Costruzione di una Rete Neurale Artificiale per applicazioni Economico Finanziarie per applicazioni Economico Finanziarie Prof. Crescenzio Gallo c.gallo@unifg.it Università deglistudidifoggia Dipartimento di Scienze Biomediche Indice 1 Concetti preliminari 1 1.1 Introduzione......................................

Dettagli

Esercitazioni per il corso di Microonde 2005/2006: CENNI DI TEORIA DELL ERRORE. Ing. Ricci Andrea Simone

Esercitazioni per il corso di Microonde 2005/2006: CENNI DI TEORIA DELL ERRORE. Ing. Ricci Andrea Simone Esercitazioni per il corso di Microonde 2005/2006: CENNI DI TEORIA DELL ERRORE Ing. Ricci Andrea Simone INCERTEZZA DI MISURA - Introduzione X SISTEMA Y Misura > complesso di attività volte alla valutazione

Dettagli

Sommario della lezione

Sommario della lezione Università degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/33 Sommario della lezione Ancora sui cammini minimi: Cammini minimi in grafi con archi di costo negativo Algoritmi

Dettagli

6.2 Modelli per il monossido di carbonio

6.2 Modelli per il monossido di carbonio 6.2 Modelli per il monossido di carbonio La serie temporale scelta per l addestramento è quella rilevata in via Piave poiché tra le stazioni idonee, per legge, al controllo di questo inquinante essa presenta

Dettagli

SEMPLICE STRATEGIA SULLE OPZIONI BINARIE

SEMPLICE STRATEGIA SULLE OPZIONI BINARIE Titolo SEMPLICE STRATEGIA SULLE OPZIONI BINARIE Autore Dove Investire Sito internet http://www.doveinvestire.com Broker consigliato http://www.24option.com/it ATTENZIONE: tutti i diritti sono riservati

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

LA DURATION E LA GESTIONE DEL PORTAFOGLIO OBBLIGAZIONARIO

LA DURATION E LA GESTIONE DEL PORTAFOGLIO OBBLIGAZIONARIO LA DURATION E LA GESTIONE DEL PORTAFOGLIO OBBLIGAZIONARIO FLAVIO ANGELINI Sommario. In queste note si vuole mostrare come la Duration venga utilizzata quale strumento per la gestione del portafoglio obbligazionario.

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

Design of Experiments

Design of Experiments Design of Experiments Luigi Amedeo Bianchi 1 Introduzione Cominciamo spiegando cosa intendiamo con esperimento, ossia l investigare un processo cambiando i dati in ingresso, osservando i cambiamenti che

Dettagli

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005 Utilizzo delle reti neurali di tipo MLP e RBF per l approssimazione di funzioni reali di variabile reale note mediante coppie di punti (x,y) in presenza di rumore Davide Anastasia, Nicola Cogotti 27 dicembre

Dettagli

Università degli studi di Salerno. Project Work svolto da Federico Fabbricatore matr. 0612200629. Traccia

Università degli studi di Salerno. Project Work svolto da Federico Fabbricatore matr. 0612200629. Traccia Università degli studi di Salerno Project Work svolto da Federico Fabbricatore matr. 0612200629 Traccia SINGLE LOOP CUSTOM PROCESS con Process Model = Disturbance Model 1. adotta un controllore PID ideale

Dettagli

Scelte in condizioni di rischio e incertezza

Scelte in condizioni di rischio e incertezza CAPITOLO 5 Scelte in condizioni di rischio e incertezza Esercizio 5.1. Tizio ha risparmiato nel corso dell anno 500 euro; può investirli in obbligazioni che rendono, in modo certo, il 10% oppure in azioni

Dettagli

Introduzione all Inferenza Statistica

Introduzione all Inferenza Statistica Introduzione all Inferenza Statistica Fabrizio Cipollini Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) G. Parenti Università di Firenze Firenze, 3 Febbraio 2015 Introduzione Casi di studio

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Artificial Neural Network(ANN)

Artificial Neural Network(ANN) Artificial Neural Network(ANN) Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN: Definizione Una rete neurale artificiale definisce un modello matematico per la simulazione di

Dettagli

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo

Dettagli

La congiuntura. internazionale

La congiuntura. internazionale La congiuntura internazionale N. 2 LUGLIO 2015 Il momento del commercio mondiale segna un miglioramento ad aprile 2015, ma i volumi delle importazioni e delle esportazioni sembrano muoversi in direzioni

Dettagli

Random number generators

Random number generators Statistica computazionale Random number generators www.cash-cow.it Distribuito sotto licenza Creative Common, Share Alike Attribution 2 Indice I. Introduzione II. Processi fisici per la creazione di numeri

Dettagli

ESERCITAZIONI DI ANALISI 1 FOGLIO 1 FOGLIO 2 FOGLIO 3 FOGLIO 4 FOGLIO 5 FOGLIO 6 FOGLIO 7 SVOLTI. Marco Pezzulla

ESERCITAZIONI DI ANALISI 1 FOGLIO 1 FOGLIO 2 FOGLIO 3 FOGLIO 4 FOGLIO 5 FOGLIO 6 FOGLIO 7 SVOLTI. Marco Pezzulla ESERCITAZIONI DI ANALISI FOGLIO FOGLIO FOGLIO 3 FOGLIO 4 FOGLIO 5 FOGLIO 6 FOGLIO 7 SVOLTI Marco Pezzulla gennaio 05 FOGLIO. Determinare il dominio e il segno della funzione ( ) f(x) arccos x x + π/3.

Dettagli

Elementi Finiti: stime d errore e adattività della griglia

Elementi Finiti: stime d errore e adattività della griglia Elementi Finiti: stime d errore e adattività della griglia Elena Gaburro Università degli studi di Verona Master s Degree in Mathematics and Applications 05 giugno 2013 Elena Gaburro (Università di Verona)

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR Ambienti più realistici Ricerca online Maria Simi a.a. 2011/2012 Gli agenti risolutori di problemi classici assumono: Ambienti completamente osservabili e deterministici il piano generato può essere generato

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Teoria dei Giochi non Cooperativi

Teoria dei Giochi non Cooperativi Politecnico di Milano Descrizione del gioco Egoismo Razionalità 1 L insieme dei giocatori 2 La situazione iniziale 3 Le sue possibili evoluzioni 4 I suoi esiti finali I Giochi della teoria Perché studiare

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti

Dettagli

CONTROLLI STATISTICI

CONTROLLI STATISTICI CONTROLLI STATISTICI Si definisce Statistica la disciplina che si occupa della raccolta, effettuata in modo scientifico, dei dati e delle informazioni, della loro classificazione, elaborazione e rappresentazione

Dettagli

MinIFIB IDEM MERCATO ITALIANO DEI DERIVATI

MinIFIB IDEM MERCATO ITALIANO DEI DERIVATI IDEM MERCATO ITALIANO DEI DERIVATI SOMMARIO i vantaggi offerti 4 l indice mib30 6 come funziona 7 quanto vale 8 la durata del contratto 9 cosa accade alla scadenza 10 il prezzo al quale si può negoziare

Dettagli

Veloce e Fragile. Le dinamiche dell economia britannica

Veloce e Fragile. Le dinamiche dell economia britannica Veloce e Fragile Le dinamiche dell economia britannica 2 maggio, 2011 Rimbalzo nel primo trimestre per il Regno Unito? Come è già stato precedentemente sottolineato, l economia britannica è un economia

Dettagli

M i n i s t e r o d e l l a P u b b l i c a I s t r u z i o n e ISTITUTO STATALE DI ISTRUZIONE SUPERIORE

M i n i s t e r o d e l l a P u b b l i c a I s t r u z i o n e ISTITUTO STATALE DI ISTRUZIONE SUPERIORE PROGRAMMAZIONE ANNUALE MATEMATICA-INFORMATICA CLASSI QUINTE TECNICO DEI SERVIZI SOCIO SANITARI ANNO SCOLASTICO 2014/2015 1 FINALITÀ OBIETTIVI E COMPETENZE DELLA DISCIPLINA Il docente di Matematica concorre

Dettagli

Modelli Binomiali per la valutazione di opzioni

Modelli Binomiali per la valutazione di opzioni Modelli Binomiali per la valutazione di opzioni Rosa Maria Mininni a.a. 2014-2015 1 Introduzione ai modelli binomiali La valutazione degli strumenti finanziari derivati e, in particolare, la valutazione

Dettagli

LE PROSPETTIVE PER L ECONOMIA ITALIANA NEL 2015-2017

LE PROSPETTIVE PER L ECONOMIA ITALIANA NEL 2015-2017 7 maggio 2015 LE PROSPETTIVE PER L ECONOMIA ITALIANA NEL 2015-2017 Nel 2015 si prevede un aumento del prodotto interno lordo (Pil) italiano pari allo 0,7% in termini reali, cui seguirà una crescita dell

Dettagli

Come tradare i segnali di Vivere di Forex. Maurizio Monti spiega agli abbonati le regole da seguire per i segnali di Vivere di Forex.

Come tradare i segnali di Vivere di Forex. Maurizio Monti spiega agli abbonati le regole da seguire per i segnali di Vivere di Forex. Versione 01.04 31.10.2011 Come tradare i segnali di Vivere di Forex Maurizio Monti spiega agli abbonati le regole da seguire per i segnali di Vivere di Forex. Premessa Cari Abbonati, Vivere di Forex pubblica

Dettagli

Orange Discrimination Automatic System

Orange Discrimination Automatic System Università degli studi di Catania Facoltà di Ingegneria Informatica Orange Discrimination Automatic System Mazza Dario Merlino Sebastiano Monaco Davide Giuseppe Priscimone Eugenio Giuseppe INDEX 1. Introduzione

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

MONOPOLIO. 1. Massimizzazione del Profitto

MONOPOLIO. 1. Massimizzazione del Profitto MONOPOLIO Quando nel mercato c è una sola impresa, difficilmente questa accetta il prezzo di mercato come dato. Il monopolista può infatti influire sul prezzo di mercato (price-maker) e quindi sceglie

Dettagli

Guida all analisi tecnica

Guida all analisi tecnica Guida all analisi tecnica Guida all analisi Tecnica AVA MT4 REAL http://www.avatrade.it/join-ava/real-account?tradingplatform=2&dealtype=1&mtsrv=mt2&tag=55163&tag2=~profile_default AVA MT4 REAL FLOATING

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Mercati finanziari e valore degli investimenti

Mercati finanziari e valore degli investimenti 7 Mercati finanziari e valore degli investimenti Problemi teorici. Nei mercati finanziari vengono vendute e acquistate attività. Attraverso tali mercati i cambiamenti nella politica del governo e le altre

Dettagli

LA BORSA ITALIANA DAL 1928: ALCUNE ANALISI

LA BORSA ITALIANA DAL 1928: ALCUNE ANALISI LA BORSA ITALIANA DAL 1928: ALCUNE ANALISI L indice della Borsa Italiana dal 2 gennaio 1928 al 30 giugno 2013 esprime, nella versione a corsi secchi, ossia senza il reinvestimento dei dividendi, un rendimento

Dettagli

INVALSI. Ministero dell Istruzione dell Università e della Ricerca

INVALSI. Ministero dell Istruzione dell Università e della Ricerca X MATEMATICA_COP_Layout 1 15/03/11 08:51 Pagina 2 Ministero dell Istruzione dell Università e della Ricerca INVALSI Istituto nazionale per la valutazione del sistema educativo di istruzione e di formazione

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

10 CONTROLLO STATISTICO DELLA QUALITÀ

10 CONTROLLO STATISTICO DELLA QUALITÀ 10 CONTROLLO STATISTICO DELLA QUALITÀ 10.2.2 Il controllo di un processo Considerazioni sulle carte di controllo A fianco del numero di elementi non conformi delle carte di controllo p e pn e del numero

Dettagli

Neural Network Toolbox

Neural Network Toolbox Neural Network Toolbox In questa sede verrà presentata una trattazione esauriente delle caretteristiche fondamentali del Neuron Network Toolbox presente come pacchetto supplementare al software Matlab

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE

CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE Negli ultimi anni si è compreso che sistemi anche molto diversi tra loro possono essere efficacemente descritti in termini di cosiddetti "networks" o reti complesse.

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Capitolo 2: I guadagni dallo scambio

Capitolo 2: I guadagni dallo scambio Capitolo 2: I guadagni dallo scambio 2.1: Introduzione Questo capitolo, sebbene di natura introduttiva, permette di raggiungere importanti conclusioni. In esso si mostra come lo scambio possa dare vantaggi

Dettagli

ORGANISMO BILATERALE PER LA FORMAZIONE IN CAMPANIA

ORGANISMO BILATERALE PER LA FORMAZIONE IN CAMPANIA AREA FINANZA DISPENSE FINANZA Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto La Pianificazione Finanziaria ORGANISMO BILATERALE PER LA FORMAZIONE IN CAMPANIA La pianificazione Finanziaria

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

Capacità di canale in molte salse

Capacità di canale in molte salse Capacità di canale in molte salse. Bernardini 6 maggio 008 Indice 1 Introduzione 1 Modelli di canale 1.1 Matrice di transizione........................................ 1. Funzione aleatoria..........................................

Dettagli

Equazioni non lineari

Equazioni non lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Trovare il valore x R tale che f (x) = 0,

Dettagli

Statistical learning Strumenti quantitativi per la gestione

Statistical learning Strumenti quantitativi per la gestione Statistical learning Strumenti quantitativi per la gestione Emanuele Taufer Vendite Simbologia Reddito Statistical learning A cosa ci serve f? 1 Previsione 2 Inferenza Previsione Errore riducibile e errore

Dettagli

DANTON INVESTMENT SA. Equilibrium. Il futuro non si prevede SI COSTRUISCE

DANTON INVESTMENT SA. Equilibrium. Il futuro non si prevede SI COSTRUISCE Equilibrium Il futuro non si prevede SI COSTRUISCE 2 Gestioni Patrimoniali Computerizzate Grazie ai notevoli investimenti realizzati negli anni, la DANTON INVESTMENT SA può oggi vantare di possedere uno

Dettagli

Computazione per l interazione naturale: macchine che apprendono

Computazione per l interazione naturale: macchine che apprendono Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11

Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11 Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo

Dettagli

ECONOMIA INTERNAZIONALE Biennio CLEM - Prof. B. Quintieri

ECONOMIA INTERNAZIONALE Biennio CLEM - Prof. B. Quintieri ECONOMIA INTERNAZIONALE Biennio CLEM - Prof. B. Quintieri IL TASSO DI CAMBIO Anno Accademico 2013-2014, I Semestre (Tratto da: Feenstra-Taylor: International Economics) Si propone, di seguito, una breve

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

La teoria dell utilità attesa

La teoria dell utilità attesa La teoria dell utilità attesa 1 La teoria dell utilità attesa In un contesto di certezza esiste un legame biunivoco tra azioni e conseguenze: ad ogni azione corrisponde una e una sola conseguenza, e viceversa.

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il problema di Monty Hill nel film 21 Elementare!! Statistiche, cambio di variabili. 1 Il coefficiente di correlazione tra Indicee Stipendio vale 0,94. E possibile asserire che

Dettagli

Analisi pushover per edifici in muratura (parametri che ne influenzano i risultati)

Analisi pushover per edifici in muratura (parametri che ne influenzano i risultati) MICHELE VINCI Analisi pushover per edifici in muratura (parametri che ne influenzano i risultati) Articolo 3 Marzo 2014 Collana Calcolo di edifici in muratura (www.edificiinmuratura.it) Software utilizzato:

Dettagli

I tassi di interesse nella realtà di Eurolandia

I tassi di interesse nella realtà di Eurolandia I tassi di interesse nella realtà di Eurolandia Nel nostro modello semplificato dei mercati finanziari abbiamo visto come gli interventi della Banca Centrale influiscono sull unico tasso di interesse previsto

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Esercizi di Teoria dei Giochi

Esercizi di Teoria dei Giochi Esercizi di Teoria dei Giochi ultimo aggiornamento: 11 maggio 2010 1. Si consideri il gioco fra 2 giocatori rappresentato (con le notazioni standard) dalla seguente matrice: (3, 1) (5, 0) (1, 0) (2, 6)

Dettagli

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento: Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa

Dettagli

SONIA SALERNO INVESTIRE IN OPZIONI BINARIE

SONIA SALERNO INVESTIRE IN OPZIONI BINARIE SONIA SALERNO Anteprima di: INVESTIRE IN OPZIONI BINARIE Come Investire il Capitale in Opzioni Binarie a 1-5-10-15 Minuti per Guadagnare in Modo Costante e Veloce 2 Titolo INVESTIRE IN OPZIONI BINARIE

Dettagli

Risparmio gestito e stili di gestione Dott. Sergio Paris - Università degli Studi di Bergamo

Risparmio gestito e stili di gestione Dott. Sergio Paris - Università degli Studi di Bergamo Economia dei mercati mobiliari e finanziamenti di aziende Risparmio gestito e stili di gestione Dott. Sergio Paris - Università degli Studi di Bergamo Gli stili di gestione Stile di gestione come espressione

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

SERVIZIO NAZIONALE DI VALUTAZIONE 2010 11

SERVIZIO NAZIONALE DI VALUTAZIONE 2010 11 SERVIZIO NAZIONALE DI VALUTAZIONE 2010 11 Rapporto tecnico sulle caratteristiche delle prove INVALSI 2011 Scuola secondaria di secondo grado classe II MATEMATICA Domanda D1 item a D1. Nella tabella che

Dettagli

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione CAPITOLO 10 Controllo di qualità Strumenti per il controllo della qualità e la sua gestione STRUMENTI PER IL CONTROLLO E LA GESTIONE DELLA QUALITÀ - DIAGRAMMI CAUSA/EFFETTO - DIAGRAMMI A BARRE - ISTOGRAMMI

Dettagli

Modelli matematici avanzati per l azienda a.a. 2010-2011

Modelli matematici avanzati per l azienda a.a. 2010-2011 Modelli matematici avanzati per l azienda a.a. 2010-2011 Docente: Pasquale L. De Angelis deangelis@uniparthenope.it tel. 081 5474557 http://www.economia.uniparthenope.it/siti_docenti P.L.DeAngelis Modelli

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

UD 3.4b: Trattabilità e Intrattabilità. Dispense, cap. 4.2

UD 3.4b: Trattabilità e Intrattabilità. Dispense, cap. 4.2 UD 3.4b: Trattabilità e Intrattabilità Dispense, cap. 4.2 Problemi Intrattabili Esistono problemi che, pur avendo un algoritmo di soluzione, non forniranno mai una soluzione in tempi ragionevoli nemmeno

Dettagli

Criteri di stabilità (ver. 1.2)

Criteri di stabilità (ver. 1.2) Criteri di stabilità (ver. 1.2) 1 1.1 Il concetto di stabilità Il concetto di stabilità è piuttosto generale e può essere definito in diversi contesti. Per i problemi di interesse nell area dei controlli

Dettagli

Documento riservato e confidenziale: vietata la copia o la divulgazione senza autorizzazione di DIAMAN SIM S.p.A. STRATEGIA TARGET

Documento riservato e confidenziale: vietata la copia o la divulgazione senza autorizzazione di DIAMAN SIM S.p.A. STRATEGIA TARGET STRATEGIA TARGET 1 Vuoi sapere cosa guadagnerai? Noi ti indichiamo il valore obbiettivo futuro ed entro quanto tempo lo dovresti raggiungere 100 Sett. 2012 5 anni 127 Sett. 2017 2 Approfondimenti Tecnici

Dettagli

Qual'è il modello su cui costruire sistemi computerizzati di trading?

Qual'è il modello su cui costruire sistemi computerizzati di trading? f Qual'è il modello su cui costruire sistemi computerizzati di trading? Nel mondo dei sistemi automatici di trading tutti cercano di imitare Jim Simmons, il matematico che ha creato Renaissance Capital

Dettagli

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto:

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto: PROBLEMA 1. Il piano tariffario proposto da un operatore telefonico prevede, per le telefonate all estero, un canone fisso di 10 euro al mese, più 10 centesimi per ogni minuto di conversazione. Indicando

Dettagli

Judgment. Ogni giorno prendiamo migliaia di decisoni, dalle più banali alle più importanti. Ma quante di queste sono giuste? hoganjudgement.

Judgment. Ogni giorno prendiamo migliaia di decisoni, dalle più banali alle più importanti. Ma quante di queste sono giuste? hoganjudgement. Judgment Ogni giorno prendiamo migliaia di decisoni, dalle più banali alle più importanti. Ma quante di queste sono giuste? hoganjudgement.com 2014 Hogan Assessment Systems PERSONALITÀ E DECISIONI I problemi

Dettagli

Barriere assorbenti nelle catene di Markov e una loro applicazione al web

Barriere assorbenti nelle catene di Markov e una loro applicazione al web Università Roma Tre Facoltà di Scienze M.F.N Corso di Laurea in Matematica a.a. 2001/2002 Barriere assorbenti nelle catene di Markov e una loro applicazione al web Giulio Simeone 1 Sommario Descrizione

Dettagli

CAPITOLO 3 Previsione

CAPITOLO 3 Previsione CAPITOLO 3 Previsione 3.1 La previsione I sistemi evoluti, che apprendono le regole di funzionamento attraverso l interazione con l ambiente, si rivelano una risorsa essenziale nella rappresentazione di

Dettagli

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010 Note sull esperienza Misura di g versione 1, Francesco, 7/05/010 L esperienza, basata sullo studio di una molla a spirale in condizioni di equilibrio e di oscillazione, ha diversi scopi e finalità, tra

Dettagli

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE A. A. 2014-2015 L. Doretti 1 Il concetto di derivata di una funzione è uno dei più importanti e fecondi di tutta la matematica sia per

Dettagli