Analizzerai gli attori, gli strumenti e la microstruttura del mercato, comprendendo come funzionano i book di negoziazione e, in generale, i meccanismi di trading.

Cosa porterai a casa:

La piena padronanza della catena del valore delle infrastrutture di mercato e la capacità di interpretare le dinamiche di negoziazione e di formazione dei prezzi.

Studio intensivo di Statistical Learning, Machine Learning e Deep Learning applicati ai dataset finanziari tramite Python e Pandas.

Cosa porterai a casa:

L'autonomia tecnica necessaria per pulire, gestire e modellizzare serie storiche complesse, trasformando dati grezzi in input per modelli predittivi.

Implementazione di algoritmi supervisionati e tecniche di Sentiment Analysis per prevedere i movimenti di mercato e gestire anomalie.

Cosa porterai a casa:

La capacità di costruire e testare una strategia di trading quantitativa end-to-end, comprendendo i rischi legati all'overfitting e alla latenza.

Ottimizzazione di portafoglio attraverso il Factor Investing e modelli di previsione della volatilità data-driven.

Cosa porterai a casa:

Gli strumenti operativi per costruire portafogli resilienti e sistemi di Early Warning capaci di anticipare scenari di stress dei mercati.

Approfondimento su vigilanza, MiFID II/III e gestione dei rischi legati ai sistemi AI secondo gli standard SAFE-AI e DORA.

Cosa porterai a casa:

Un framework normativo solido per sviluppare algoritmi conformi ed etici, requisito indispensabile per operare in istituzioni finanziarie regolate.

8:45 | Registrazione e welcome coffee

9:00 | Benvenuto e introduzione al programma

9:15 | Panoramica dei mercati finanziari

• Attori, strumenti e dinamiche principali
  • Principali attori: investitori istituzionali, retail, market maker, autorità di vigilanza
• Le principali tipologie di trading venues
• Struttura dei mercati finanziari: equity, fixed income, derivati, ETF
• Come funziona la microstruttura dei mercati finanziari

11:30 | Informativa finanziaria e requisiti tecnologici

• Modalità di ricezione dell’informativa finanziaria: diretta (connessioni proprietarie), indiretta (vendor)
• Flussi informativi in colocation e importanza della prossimità ai server di mercato
• Connessione tra trading e informativa: architetture integrate e impatto operativo
• Requisiti tecnologici: latenza, modalità di connessione per trading algoritmico, sicurezza e affidabilità

12:15 | Informativa finanziaria e obblighi regolamentari

• Framework normativo Mifid II
• Obblighi imprese di investimento su Algo trading/HFT e Direct Electronic Access (DEA)
• Reg. Intermediari su Algo ed HFT  (non so se è ricompreso qui oppure lo fa il vs collega in precedenza essendo un regolamento dell’exchange)

13:00 | Lunch

Fondamenti di data science (12h)

14:00 | Introduzione alla data science

• Data science e artificial intelligence: evoluzione e trend futuri
• Introduzione ai metodi di data science: statistical learning (es. regressione lineare e logistica); machine learning (es. alberi di classificazione e random forest); deep learning (es. MLP, LSTM, CNN)
• Esempi applicativi: asset management, credit rating,  cyber risk management.

15:30 - 15:45 | Coffee Break

17:00 | Chiusura giorno 1

9:30 | Analisi dei dati con Python e Pandas

• DataFrame; Import CSV / Excel; Cleaning dati, Time series handling

11:15 – 11:30 | Coffee Break

• Use case: prezzi azionari, volumi, ESG scores

12:30 | Chiusura giorno 2

9:30 | Data wrangling

• Raccolta, pulizia e preparazione dei dati finanziari
• Importazione e visualizzazione di dati finanziari (es. prezzi storici, volumi, dati macroeconomici

12:30 | Chiusura giorno 3

9:30 | Data cleaning

• Gestione dei dati mancanti, normalizzazione, aggregazione
• Esercitazione: Data wrangling e pulizia con ESG dataset

9:30 | Introduzione a supervised vs unsupervised learning

• Concetti chiave: training/test split e K-fold, metriche di valutazione: mean squared error, AUC, RGA e distanze di Cramer

12:30 | Chiusura giorno 5

9:30 | Algoritmi più utilizzati nei mercati finanziari

• Regressione lineare, regressione logistica
• Alberi di classificazione e regressione, random forest, support vector machines
• Reti neurali: feed forward, ricorsive, convoluzionali

12:30 | Chiusura giorno 6

10:30 | Trading algoritmico e strategie quantitative

• Principi base, esempi di strategie semplici (es. moving average crossover, breakout, volatility trading)

11:45 – 12:00 | Coffee Break

12:00 | Dalla teoria alla pratica

• Come si costruisce una strategia step-by-step
• Risk management e universo investibile
• Dati, segnali, backtesting (concetti base)
• Errori comuni

13:15 | Lunch

14:00 | Esempi pratici

• Previsione dell’andamento dei prezzi, classificazione della liquidità, rilevamento di anomalie

15:30 – 15:45 | Coffee Break

15:45 | Esempi pratici

Sentiment analysis su news finanziarie, analisi dei social

17:30 | Chiusura giorno 7

9:30 | Introduzione — Dalla Teoria alla Gestione Live del Portafoglio

• Concetti base: asset classes, correlazioni risk & return, risk premia
• Perché i modelli quantitativi falliscono nella pratica: il divario tra backtest e rading live
• Walk-forward analysis, rolling optimization e controlli di rischio dinamici

11:00 – 11:15 | Coffee Break

11:15 – 12:30 | Dal Portafoglio Statico al Dinamico

• Framework di allocazione statica: equal weight, risk parity e portafogli bilanciati classici
• Limiti dei modelli statici in contesti di alta volatilità, inflazione e cambi di regime
• Walk Forward Analysis: ottimizzazione in-sample vs validazione out-of-sample
• Architettura di un portafoglio rotazionale multi-fattoriale: dal segnale alla decisione di allocazione

12:30 | Chiusura giorno 8

9:30 | Combinare i Fattori: Costruzione del Portafoglio Multi-Fattoriale

• Perché i fattori funzionano: spiegazioni risk-based e comportamentali, persistenza tra mercati e regimi
• Data mining vs alpha genuino: rigore statistico, evidenza out-of-sample e validazione di lungo periodo
• Growth: segnali di espansione di ricavi, utili e cash flow — identificare i fondamentali in accelerazione
• Low Volatility: premio per il rendimento corretto per il rischio, strategie low-beta e low-variance
• Momentum: persistenza del trend di prezzo e fondamentale, approcci cross- sezionali e time-series
• Quality: redditività, solidità patrimoniale e stabilità degli utili come fonti sistematiche di alpha
• Sentiment: short interest, flussi di fondi, posizionamento su opzioni e dati di survey
• Value: rapporti prezzo/fondamentali —P/E, P/B, EV/EBITDA, P/FCF — e costruzione sector-neutral
• Consensus: revisioni delle stime degli analisti, earnings surprise e trend delle raccomandazioni

11:00 – 11:15 | Coffee Break

11:15 Combinare i Fattori: Costruzione del Portafoglio Multi-Fattoriale

• Struttura delle correlazioni tra fattori: diversificazione e interazioni a livello di portafoglio
• Caso di studio istituzionale: come un primario asset manager quantitativo costruisce e valuta i fattori

12:30 | Chiusura giorno 9

9:30 | Factor Investing — Il Framework a 7 Fattori

• Progettazione dei fattori: definizione del segnale, lookback period, logica di ranking e regole di ribilanciamento
• Low Volatility S&P100
• Momentum Nasdaq
• Equity Sector Rotation
• Momentum Fixed Income
• Alternative

11:00 – 11:15 | Coffee Break

11:15 Completamento del Modello e

Assemblaggio del Portafoglio

• Assemblaggio finale: combinare i 7 fattori, schemi di ponderazione, ribilanciamento e gestione del turnover Anomaly detection nei portafogli

12:30 | Chiusura giorno 10

9:30 | Performance Analytics & Attribution

• Benchmarking, contributo asset/fattore risk-adjusted performance (Sharpe, Information Ratio, alpha)
• Il contributo dell’AI nella gestione quantitativa del portafoglio: opportunità e limiti
• Qualità dei dati, interpretabilità dei modelli e robustezza out-of-sample

11:00 – 11:15 | Coffee Break

11:15 Approfondimenti e Casi Applicativi

• Performance Live

12:30 | Chiusura giorno 11

9:30 | Analisi della Performance Live e Validazione Statistica

• Analisi mensile del portafoglio: attribuzione della performance e contributo per fattore
• Performance cumulata vs benchmark: Sharpe, Calmar, Information Ratio, statistiche rolling
• Crescita composta e distribuzione log- normale: media vs mediana, bande di confidenza al 95%
• Simulazione Monte Carlo — percorsi GBM: quantificazione dell’incertezza e rischio di lungo periodo
• Abilità o fortuna? Test della capacità predittiva del modello nel periodo live

11:00 – 11:15 | Coffee Break

11:15 | Risk Management con THS (Tactical Hedging Strategy)

• Introduzione alla Tactical Hedging Strategy: logica, obiettivi e integrazione nel processo sistematico
• THS come strumento di copertura dinamica del portafoglio: segnali d attivazione e regole di uscita
• Controlli a livello di portafoglio:
• monitoraggio delle correlazioni, limiti di
• drawdown e regime detection

12:30 | Chiusura giorno 12

9:30 | Dati Alternativi, ESG e Regolamentazione nell’Analisi di Portafoglio

• ESG come fattore sistematico: integrazione nei modelli di selezione e gestione del rischio
• Come la regolamentazione ESG influenza la selezione degli asset e la valutazione del rischio
• Uso di dati alternativi a supporto dei 7 fattori: sentiment, macro, dati proprietari e non tradizionali
• AI per l’analisi dei dati ESG: scoring automatizzato, NLP su report di sostenibilità e greenwashing detection

11:00 – 11:15 | Coffee Break

11:15 | Simulazioni Pratiche — 4 Tool + Panoramica QuantConnect

• Claude: analisi AI-assisted, generazione segnali, interpretazione backtest e reportistica automatizzata
• Invest Studio: backtest di strategie fattoriali, walk-forward validation, visualizzazione Sharpe rolling e drawdown
• Fincanva: canvas dell’architettura di portafoglio, stress test scenari e reportistica professionale
• Portfolio 123: costruzione e ranking del modello a 7 fattori, screening rules e ribilanciamento automatico
• QuantConnect: panoramica dell’infrastruttura Python cloud-based per backtesting algoritmico avanzato

Esercizio Pratico Finale

• Costruzione di un portafoglio completo con THS integrata: dalla selezione dei segnali alla valutazione della performance
• Presentazione degli insight e discussione critica dei risultati

12:30 | Chiusura giorno 13

9:30 | Modelli AI per la vigilanza di mercato

• L’individuazione degli abusi di mercato

11:00 – 11:15 | Coffee Break

11:15 | Analisi delle segnalazioni di transazioni secondo MiFID II/III

12:30 | Chiusura giorno 14

9:30 | Qualità dei dati ESG, tassonomia, e aspetti critici della rendicontazione

11:00 – 11:15 | Coffee Break

11:15 | DORA e governance regolamentare dei dati

12:30 | Chiusura giorno 15

9:30 | Applicazione dell’AI nella gestione del rischio e la compliance (Es. AML, KYC)

11:00 – 11:15 | Coffee Break

11:15 | Analisi dei dati ESG

• Impatto sulle decisioni di investimento

12:30 | Chiusura giorno 16

9:30 | Sfide etiche, qualità e rischi dell’AI in finanza

• Es. OECD, ISO, NIST, AI Act

10:30 – 10:45 | Coffee Break

10:45 | Da AI a SAFE-AI

• Sicurezza
• Accuratezza
• Fairness
• Esplicabilità

12:00 | Trend futuri

• Interpretabilità e Sostenibilità

12:30 | Chiusura programma

Accesso a un osservatorio privilegiato sull'evoluzione dei mercati nazionali e internazionali.

Academy è parte di Euronext Corporate Solutions, con sistema di gestione qualità conforme allo standard ISO 9001:2015.

Metodologie didattiche innovative che trasformano la teoria in competenze operative per il settore finanziario.

Esame finale e consegna dei certificati presso Palazzo Mezzanotte, sede di Borsa Italiana.