Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Supporto dell'asset allocation tattica basato sul machine learning |
|---|---|
| Titolo del progetto di ricerca in inglese | Machine Learning-based Tactical Asset Allocation Support |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | INF/01 - INFORMATICA |
| Descrizione sintetica in italiano | La gestione di un portafoglio di investimenti richiede un ribilanciamento periodico. I fondi investiti in determinate classi di attività vengono riallocati su base mensile, perseguendo la distribuzione ottimale degli asset per un profilo di rischio desiderato, soddisfacendo al contempo i limiti dati dalle autorità di regolamentazione e dai proprietari dei fondi. Questo processo di ribilanciamento è generalmente chiamato TAA. Il problema dell'identificazione della strategia di ribilanciamento ottimale può essere affrontato numericamente, sulla base delle recenti prestazioni degli asset, eseguendo un'ottimizzazione vincolata, come l'ottimizzazione della varianza media di Markowitz. Questo richiede come input il rendimento atteso per ogni asset e la matrice di covarianza ottenuta dalle serie temporali di tutti i rendimenti. Idealmente, l'algoritmo ML dovrebbe fornire output simili a quelli tradizionalmente ottenuti con "Analisi tecnica" utilizzata in finanza. |
| Descrizione sintetica in inglese | Managing an investment portfolio requires periodic rebalancing. Funds invested in certain Asset Classes (Government Bonds, Corporate Bonds, Private Equity, etc.) are re-allocated on a monthly basis, pursuing the optimal asset distribution for a desired risk profile, while satisfying the limits given by regulators and funds owner. This rebalancing process is typically called TAA (tactical asset allocation). The problem of identifying the optimal rebalancing strategy can be approached numerically, based on recent assets performance, by performing a constrained optimization, such as the Markowitz mean-variance optimization. This approach requires as inputs the expected return for each asset, and the covariance matrix obtained from the time-series of all returns. Ideally, the ML algorithm should provide outputs similar to those who are traditionally obtained with "Technical Analysis" used in finance. |
| Data del bando | 18/02/2022 |
| Numero di assegnazioni per anno | 1 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://web.units.it/concorsi/ricerca/conc-44030 |
| Destinatari dell'assegno di ricerca (of target group) |
Experienced researcher or 4-10 yrs (Post-Doc) |
|---|---|
| Importo annuale | 26869 |
| Valuta | Euro |
| Massima durata dell'assegno (mesi) | 12 |
| Nome dell'Ente finanziatore | Università degli Studi di Trieste |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | Trieste |
| Sito web | https://www.units.it/ |
| assegni@amm.units.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 21/03/2022 - alle ore 00:00 |
|---|---|
| Come candidarsi | https://pica.cineca.it/units (rif. PICA 22ar150-6) |