Michele LA ROCCA | Progetti

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.

The selection of an optimal clustering clustering solution is a longstanding problem. In this study, we focus on model-based clustering, where this problem amounts to choose the architecture of the model mixture distribution. Decisions to be made pertain to: cluster prototype distribution; number of mixture components; (optionally) restrictions on the clusters¿ geometry. Typical solutions to aid t

Il progetto si sviluppa su tre linee di ricerca tra loro correlate. La prima riguarda lo studio dei meccanismi di elaborazione, diffusione, ed analisi delle ingenti mole di dati riguardanti i diversi aspetti della pandemia da Covid-19 mediante tecniche matematico-statistiche. La seconda analizza a livello micro- e macro-economico gli effetti della pandemia sui principali indicatori economici, appu

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

In this project we propose a class of semiparametric models for univariate air pollutant time series which is able to incorporate somestylized facts usually observed in real data such as missing data,trends, conditional heteroschedasticity and leverage effects.In particular, we propose a two steps estimation procedure. In the first step the trend-cycle component of the series is estimated byus