Financial Markets Signal Detection with Bayesian Networks - Phd DREAMT - Work...
Blockchain e AI: verso una nuova finanza
1. Blockchain e AI:
verso una nuova finanza
Milano, 6 Aprile 2018
Università degli Studi di Milano-Bicocca
Alessandro Greppi
Socio Ordinario Affiliate SIAT
2. Blockchain: che cos’è?
Blockchain è un registro contabile pubblico, distribuito, decentralizzato e
peer2peer.
Pubblico: aperto a tutti
Distribuito: tutti i nodi della blockchain contengono la stessa copia del
database
Decentralizzato: equivale a dire che non esiste un solo server centrale nel
quale il software esegue i suoi codici
P2P: transazioni avvengono tra «pari»
Le transazioni scritte su blockchain sono caratterizzate da una marcatura temporale
(timestamp) e sono irreversibili, una volta scritte non possono essere più
modificate.
3. Perchè è importante conoscere blockchain? (pt.1)
• Tutte le criptovalute hanno la propria blockchain sulla quale vengono registrate le
transazioni
• Crescente interesse da parte di multinazionali industriali e finanziarie, come IBM,
Microsoft, Unilever, Enel, ING, Société Générale …
• Contributo importante al mondo dell’ Internet of Things (IoT)
• Risolve il problema della fiducia verso un intermediario: trattandosi di un
sistema peer-to-peer, la community è garante di se stessa.
4. • Possibilità di creare blockchain private per facilitare piccole community nello
scambio di dati, files e denaro
• Apre a nuove modalità di racconta fondi per le startup: le ICO
• Alcune banche centrali stanno valutando di adottare una «criptovaluta di stato»
(e.g. il Petro in Venezuela)
Perchè è importante conoscere blockchain? (pt.2)
5. Blockchain e il mondo finanziario
• Cartolarizzazioni
• Trade finance
• P2P lending
• Rimesse internazionali
• Microfinanza
• Trading dell’energia
• Scambio di partecipazioni societarie non quotate
• …
6. Intelligenza Artificiale: che cos’è?
L’intelligenza artificiale è l’abilità di un sistema tecnologico di risolvere problemi o
svolgere compiti e attività tipici della mente e dell’abilità umane.
8. ...non solo Tesla
Suggerimenti offerti ai
clienti sulla base dei
dati comportamentali
collezionati
Conosce in anticipo
quello che i clienti
vogliono grazie ad un
sistema di «real-time
predictive analytics»
Profilazione
comportamentale dei
clienti per misurare il
valore di un cliente
9. Intelligenza Artificiale: Debole e Forte
L’ intelligenza artificiale può essere classificata in due grandi filoni:
• Intelligenza Artificiale debole (weak AI)
Identifica sistemi tecnologici in grado di simulare alcune funzionalità cognitive
dell’uomo senza però raggiungere le reali capacità intellettuali tipiche degli
esseri umani
• Intelligenza Artificiale forte (strong AI)
Sono sistemi che sviluppano una propria intelligenza senza emulare processi di
pensiero o capacità cognitive simili all’uomo ma sviluppandone una propria in
modo autonomo
10. Storia dell’ Intelligenza Artificiale
Software «CLASSICI»
Anni ‘80: Art. Int. I° Gen.
«SISTEMI ESPERTI»
OGGI: Art. Int. II° Gen.
«MACHINE LEARNING»
Rispondono alla logica: «Se si verifica
la condizione X, allora Y»
Esempio: software gestionali adottati
dalle imprese.
Il software può fare inferenze logiche
su una base di conoscenza inserita da
un esperto.
Esempio: modelli utilizzati per
raccomandare strategie o fare
diagnosi mediche (reti bayesiane)
Il software, invece di essere
esplicitamente programmato, impara
autonomamente partendo da un
dataset opportunamente adattato.
Esempio: riconoscimento immagini,
self-driving cars, profilazione clientela
11. Perchè solo ora i tempi sono maturi per l’AI?
• Più dati a disposizione: è possibile accrescere le dimensioni del database
semplicemente acquistando informazioni da un data provider.
• Maggiore potenza di calcolo: l’avvento del cloud computing ha reso disponibile
su larga scala una enorme potenza di calcolo una volta riservata a pochi.
• Maggiore maturità tecnologica: possibilità di sfruttare servizi offerti come
«Software as a Service» (SaaS) o attraverso API
12. Il Processo di Machine Learning
1. Raccolta dati per «addestrare» il modello: è fondamentale raccogliere dati che
siano di ottima qualità (a loro volta verranno divisi in training set e in test set)
2. Normalizzazione dei dati (fase in cui i dati sono preparati e resi «digeribili» per
il modello)
3. Configurazione del software: data scientist elaborano e configurano gli
algoritmi
4. Addestramento del test e analisi dei risultati: il software procede in autonomia
all’apprendimento dalla base dati che gli viene sottoposta
5. Previsione: una volta validato l’output il software viene utilizzato per fare
previsioni riguardo un determinato dominio
13. I principali approcci del Machine Learning
• L’apprendimento può essere:
• Supervisionato: vengono forniti all’algo degli esempi di input e di output in modo
il sistema che impari il nesso tra loro e ne estrapoli una regola riutilizzabile per
altri compiti simili.
• Non supervisionato: al sistema vengono forniti solo set di dati senza alcuna
indicazione del risultato desiderato. Lo scopo è di “risalire” a schemi e modelli
«nascosti».
• Per rinforzo: il sistema interagisce con un ambiente dinamico (che gli consente di
avere i dati di input) e deve raggiungere un obiettivo (al raggiungimento del
quale riceve una ricompensa), imparando anche dagli errori (identificati medianti
“punizioni”).
14. Alberi decisionali
• Definizione: Modello predittivo dove ogni nodo
rappresenta un'assegnazione di una determinata
variabile e ogni nodo foglia rappresenta una previsione
• Metodologia di addestramento: l'algoritmo di
addestramento lavora a partire da un training set
composto da esempi fatti da un set di input e un set di
output.
• Modello generato: Alla fine del processo di
addestramento si ottiene un albero di decisione che è
particolarmente facile da comprendere. E' molto facile
capire la "logica" sfruttata dall'albero nel produrre i
risultati.
15. Reti neurali
• Definizione: Modello predittivo che prende
ispirazione da una rete neurale biologica. E'
composto da unità (neuroni) divisi in strati
(layers).
• Metodologia di addestramento: L'algoritmo di
addestramento lavora a partire da un training set
composto da esempi composti da un set di input e
un set di output.
• Modello generato: Alla fine del processo di
addestramento si ottiene una rete neurale
addestrata. E' praticamente impossibile riuscire a
capire esattamente la logica impiegata dalla rete
nel prendere una decisione.
16. Deep learning
• Definizione: Modello predittivo che scompone il
problema in diversi layer di astrazione. In questo
modo la complessità viene gestita in maniera
gerarchica.
• Metodologia di addestramento: L'algoritmo di
addestramento lavora a partire da un training set
composto da esempi composti da un set di input
e un set di output.
• Modello generato: Alla fine del processo di
addestramento si ottiene un modello costituito
da diversi modelli predittivi (tra cui reti neurali).
Come per le reti neurali è difficile comprendere
esattamente la logica utilizzata dal modello per
17. Un confronto
Pro: ottime prestazioni, riduce i
tempi di «feature engineering»,
altamente customizzabile.
Contro: necessità di un enorme
quantità di dati, risultati sono
«black box»
Alberi Decisionali
Pro: facili da interpretare,
supportati da molti software.
Contro: prestazioni scarse su
problemi complessi, poca
resistenza al «rumore», non
gestiscono molte variabili, non
danno una singola risposta ma
una serie di possibili output
Reti neurali
Pro: ottime prestazioni, gestiscono
molte variabili, resistenti al
«rumore».
Contro: richiesta elevata expertise,
risultati sono «black box»
Deep Learning
18. Uno sguardo alla finanza…
L’intelligenza artificiale può essere impiegata in diverse parti della catena del
valore:
• Supporto alla divisione commerciale
• Consulenza finanziaria evoluta (robo-advisory)
• Riduzione dei costi di transazione
• Generazione di performance nel mondo dell’asset management
• …