Paolo Giudici

paolo-giudici

Paolo Giudici

Professore di Statistica e Data Science all’Università di Pavia, dove coordina il percorso di dottorato in Ingegneria dei dati finanziari. Supervisore accademico di circa 160 studenti del Master e di 14 dottorandi, che lavorano attualmente nel settore finanziario, in società di consulenza o come ricercatori accademici.

Autore di numerose pubblicazioni scientifiche, fra cui 33 di classe A, in tema di statistica multivariata, modelli di rete, misurazione dei rischi e loro applicazione all’economia, alla finanza ed alle tecnologie finanziarie, con oltre 3500 citazioni totali ed un  indice h pari a 25.

Coordinatore di 11 progetti scientifici, tra cui il progetto europeo Horizon2020 su “Supervisione finanziaria e conformità tecnologica” (2019-2020) e il progetto europeo VI programma su “Business intelligence semantica ed applicazioni industriali ” (2006-2010). Editore della rivista scientifica “Artificial Intelligence in Finance”, Frontiers; Editore associato della rivista scientifica “Digital Finance”, Springer. Research fellow presso il centro dell’University College di Londra per le tecnologie Blockchain;  Research fellow presso la  Bank for International Settlements, Basilea; Membro onorario dell’Associazione dei  financial risk managers italiani. Membro indipendente del Consiglio di Amministrazione del Gruppo Bancario Credito Valtellinese (2010-2018).

Direttore del laboratorio Fintech dell’Università di Pavia (in precedenza laboratorio di Data Mining) che dal 2001 svolge attività di ricerca, formazione e consulenza, per importanti istituzioni quali la Commissione Europea, la Banca dei Regolamenti Internazionali, l’Asian Development Bank Institute, la Banca d’Italia, la Deutsche Bundesbank, l’Associazione Bancaria Italiana, la Fondazione Cariplo e numerose istituzioni finanziarie, fra le quali Intesa SanPaolo, Unicredit, BancoBPM, UBI, MPS, BPS, Creval, Nexi, Accenture, KPMG, SAS Institute.

 

Robot advisory asset allocation through network models

Automated digital consultancy platforms (“Robot advisors”) is rapidly expanding, particularly because of the advances in the application of artificial intelligence in finance, and to the diffusion of alternative, “crypto” assets.

Robot advisors may reduce costs and improve the quality of the service, making user involvement more transparent.
However, they may also involve higher risks, among which compliance risk: the danger to perform an asset allocation that underestimates investors’ risk profile.

In this paper we show how artificial intelligence can be used not only to improve robot advisory services but also to improve risk measurement. In particular, we demonstrate how random matrix theory together with correlation network clustering can be used to construct investment portfolios that correctly take high dimensional correlations into account.