Michele LA ROCCA | Projects

The problem of time series clustering has attracted growing research interest in the last decade. The most popular clustering methods assume that the time series are only linearly dependent but this assumption usually fails in practice. To overcome this limitation, in this rresearchr, we study clustering methods applicable to time series with a general dependent (possibly nonlinear) structure. We

In diversi campi di applicazione, tra cui il rischio di credito e di fallimento in campo aziendale, è di vitale importante determinare quali sono - nel contesto di modelli lineari generalizzati dove la variabile dipendente può essere binaria o meno - le variabili rilevanti nello stimare e prevedere un certo fenomeno. L¿obiettivo del progetto in questione prevede di sviluppare ed applicare metodi

FINE ATTIVITA' - Sviluppo e applicazione di modelli statistici e metodi di stima parametrici e non parametrici per l'analisi di fenomeni in cui le osservazioni, valutate in diversi istanti temporali t, presentino interazione spaziale o spazio-temporale. Lo studio verterà sia a casi in cui le osservazioni, n, e gli istanti temporali siano piccoli (p. es., panel su commercio o flussi migratori tra paesi), piuttosto

FINE ATTIVITA' - The aim of the research is to construct bootstrap inference for VaR ans ES using a nonparametric bootstrap scheme, the NAR-sieve bootstrap based on Extreme Learning Machines. This procedure, is expected to deliver accurate and consistent results for quite general nonlinear processes. We will consider stochastic volatility models for financial time series of the nonlinear autoregressive-ARCH type a

La ricerca si pone l'obiettivo di studiare tecniche e modelli statistici innovativi per il clustering di serie storiche in presenza di bigdata. I dati generati da sensori (IoT) e attività di social network confluiscono in data lake in cui la componente di dati temporali è estremamente rilevante. La disponibilità di dati di tipo complesso ad elevata dimensionalità pone notevoli problemi al cluste

Studiare l'utilizzo di tecniche di deep-learning da un punto di vista statistico e valutare le potenzialità della loro applicazione in ambito finanziario con particolare riferimento alla costruzione e validazione di modelli nonparametrici ed alla previsione