Michele LA ROCCA | Projects

This project introduces a software library for automated cluster analysis. The library incorporates data-driven methods for optimal cluster number determination and advanced algorithms' tuning for discovering approximately elliptical clusters. By providing a comprehensive toolkit for cluster selection and validation, this research aims to enhance the efficiency and accuracy of clustering tasks in

The research aims to implement and study novel resampling techniques for spatio-temporal models, considering both spatial and temporal heterogeneity. The novel procedures should scale well for increasing spatial and temporal dimensions. All the developed algorithms will be implemented in open-source languages such as R or Python.

In this project we explore the use of a single hidden layer feed-forward artificial Neural Networks (NNs) as a forecasting tool to capture the nonlinear dynamics of the mortality rates. The approach is able to obtain valid point forecasts and, by using the bootstrap, the forecast distributions which allow to evaluate how much uncertainty is associated with each point forecast.

Nella presente ricerca l'attenzione sarà focalizzata sul successo degli studenti universitari, che viene spesso utilizzato per valutare la qualità e le prestazioni delle istituzioni educative. L'individuazione precoce degli studenti a rischio è consigliabile per aiutare i manager e i direttori delle istituzioni ad attuare misure e azioni preventive per aumentare la probabilità di successo degli st

The project aims to develop computational methods for clustering methods based on elliptic-symmetric distributions. Such models are useful for discovering clusters whose internal geometry can be explained in terms of multivariate centrality and scatter parameters.

The research project aims to investigate the effect of ESG scores on stock returns and risk measures. That also constitutes the starting point for portfolio management and performance.

In this project we focus on the estimation of forecast distributions in non linear autoregressive time series and, in this context, we propose the use of non parametric techniques. In particular, we evaluate the approach based on feed-forward neural networks (NN) to approximate the original nonlinear process and derive valid point forecasts and the pair bootstrap scheme as a resampling device

L'obiettivo del progetto è di studiare il problema dei missing data, che sempre più caratterizzano l'insieme dei dati di grandi dimensioni, e la cui presenza può compromettere le proprietà degli stimatori nei modelli statistici. In particolare, si intende sviluppare un approccio che sia in grado di imputare in modo preciso i missing data. La procedura sarà basata su un approccio misto, che combine

The k-means method is often referred to as nonparametric clustering method, based on the nonparametric consistency theorem proved by Pollard (1981). We want to study a similar notion of consistency for clustering methods based on mixtures models of a general class of elliptically symmetric distributions (including popular models such as the Gaussian, Student-t, and Laplace, etc.).

Il progetto ha come obiettivo principale la tematica della sostenibilità con particolare riferimento ai fenomeni di congestione dei trasporti. Dall'analisi di questa tematica dovrebbero scaturire vie per una migliore organizzazione del sistema logistico, e lo studio di fattibilità giuridica di tali soluzioni. Dal punto di vista economico l'obiettivo è individuare la sostenibilità ambientale, econo

Propose and discuss resampling techniques for model selection and inference that are suitable to deal with massive data

Sviluppo di metodi di Statistical Learning basati su coefficiente di penalità (Matrix Completion) per dati origine-destinazione, per previsione e imputazione di dati mancanti. Applicazione su matrici Input-Output e su dati di flussi di traffico provenienti da telefonia mobile.Sviluppo di metodi di Screening e Variable Selection basati su approccio marginale, quali la Sure Independence Screening,

In this project we focus on range-based volatility and, in this context, we propose the use of Extreme Learning Machines (ELMs) to appropriately capture the nonlinear dynamics of these volatility measures.