Obiettivi
Obiettivo 1 - Contributo INFM alla costituzione ed alla gestione di una “facility nazionale” di dati finanziari.
INFM contribuirà alla costituzione della “facility nazionale” di dati finanziari gestita da ICTP acquistando, compatibilmente con le limitazioni di budget derivanti dal fatto che la stima dei costi dei dati era stata originariamente fatta considerando le esigenze del solo progetto INFM, dati finanziari di ultra-alta frequenza che saranno gestiti da un punto di vista informatico da ICTP.
Inoltre INFM, come da accordo di collaborazione, si impegna anche ad effettuare il pre-processing dei dati finanziari di ultra-alta frequenza per i ricercatori di tutti e tre i progetti attivando una posizione di tecnologo per i primi due anni di progetto. La sede di lavoro del Tecnologo sarà quella di una delle Unità di ricerca del progetto.

Obiettivo 2 - Modellizzazione di mercati finanziari con agent based models
INFM TS A2.1Studio analitico dettagliato di versioni realistiche di modelli di agenti interagenti volto a determinare la robustezza e la generalità delle conclusioni derivate da tali modelli. Studio di modelli con popolazioni miste di speculatori “fondamentalisti” e speculatori che seguono l’analisi tecnica per determinare la correlazione tra la concentrazione di un particolare tipo di giocatore con le fasi più turbolente del mercato

INFM TS A2.2Studio empirico delle serie storiche volto alla “localizzazione” di un dato mercato nello spazio delle fasi dei modelli semplificati. Misura quantitativa dell’efficienza dei mercati tramite una nozione di distanza in tale spazio.

Università AN A6.1Costruzione di un mercato artificiale che implementi il funzionamento del mercato di borsa utilizzando le metodologie dell’Agent-Based Computational Economics (ACE) allo scopo di investigare, in una prospettiva teorica le proprietà statistiche dei mercati finanziari in cui esiste eterogeneità sulle aspettative dei rendimenti futuri e una forte presenza d’interazione diretta nelle scelte degli investitori nelle componenti ad alta frequenza delle contrattazioni. Si utilizzerà l’ambiente simulativo SWARM sviluppato al Santa Fe Institute e oggi punto di riferimento per quanti hanno interesse nella costruzione di economie artificiali e nello studio dei comportamenti emergenti dalle dinamiche di mercato in situazioni complesse.

Università AN A6.2Verifica empirica delle proprietà del mercato artificiale. Lo scopo è di analizzare quanto i fatti stilizzati che caratterizzano i mercati finanziari possano essere spiegati dalla presenza di interazione strategica nelle decisioni degli investitori. Questo obiettivo verrà perseguito stimando i parametri del mercato artificiale utilizzando metodi di stima indiretti. Le implicazioni statistiche del modello saranno, invece, analizzate utilizzando Markov regime switching models che legano ad una variabile non osservabile (lo stato del sistema; es. mercato dominato da un atteggiamento fondamentalista o chartista) e legata all’intensità delle interazioni le proprietà statistiche del mercato.


Obiettivo 3 – Struttura ed efficienza dei mercati
INFM PA A1.2Si indagherà la varietà dei rendimenti di un insieme di beni finanziari trattati contestualmente nello stesso mercato. La varietà sarà stimata empiricamente in diversi mercati (indicativamente NYSE, NASDAQ, Milano e Budapest) a diversi orizzonti temporali. Le proprietà della funzione densità di probabilità dei rendimenti saranno confrontate con le previsioni ottenute da modelli di mercato ad un fattore (come il single index model) o a più fattori. Infatti è stato già mostrato che il single index model non è in grado di descrivere la variazione di simmetria osservata nella funzione densità di probabilità dei rendimenti nei periodi con variazioni estreme del mercato. Al fine di descrivere la variazione della proprietà di simmetria empiricamente osservate nelle fasi estreme del mercato, si cercherà di generalizzare il single index model introducendo dei termini non lineari del fattore guida del mercato oppure si cercherà di descrivere le proprietà statistiche osservate con modelli a più fattori. L'analisi del fenomeno con dati di altissima frequenza (transazione per transazione) consentirà di rilevare se il comportamento anomalo è localizzato su ampi periodi temporali oppure se esso è localizzato in pochi minuti di mercato. Questo tipo di analisi sarà svolto tenendo conto del ruolo svolto dalla contrattazione elettronica ed in particolare degli effetti del trading on line.

INFM PA A1.3Ci si propone di effettuare analisi empiriche della volatilità di dati finanziari a partire da dati di alta frequenza e di sviluppare un modello di volatilità basato su una equazione differenziale stocastica che sia parsimonioso e che sia in grado di descrivere le più rilevanti proprietà statistiche riscontrate nelle analisi empiriche dei dati di mercato. Si considereranno con grande attenzione le proprietà di autocorrelazione della volatilità e si richiederà al modello che la volatilità venga descritta come una variabile stocastica correlata a lungo “range”. Il processo ottenuto sarà confrontato con modelli discreti recentemente proposti in letteratura come il FIGARCH, processo sul quale l’unità di Firenze ha recentemente sviluppato conoscenze applicate ed estensioni del modello base.

Università Piemonte Orientale A4.1Hardware nella valutazione di opzioni. In questa attivita' si individueranno algoritmi opportuni, sia neuronali, sia di natura differente, per la valutazione del prezzo di opzioni o di altri derivati. Lo scopo è individuare un algoritmo, o una serie di algoritmi, realizzabile su chip neuronali o microcontrollori.

Università Piemonte Orientale A4.2Analisi della microstruttura dei mercati finanziari: possibilità di arbitraggio sul mercato dei cambi. Ci si propone di analizzare i tempi tipici di permanenza delle eventuali possibilità di arbitraggio sul mercato dei cambi, al fine di stabilire quali tempi di risposta debba avere un hardware dedicato a sfruttare tali imperfezioni.

Università Piemonte Orientale A4.3Analisi della microstruttura dei mercati finanziari: imperfezioni del mercato azionario. Si indagherà la presenza di correlazioni a breve termine tra titoli per verificare la possibilità di sfruttarle.

Università Piemonte Orientale A4.4Studio di fattibilità per la progettazione di hardware veloce di front end per risk management e per sfruttare possibilità di arbitraggio. Sulla base dei risultati delle precedenti attività si procederà a stabilire le caratteristiche di un hardware dedicato per la risoluzione di problemi finanziari.

Università FI A5.1-A5.4Lo svolgimento delle attività descritte in precedenza richiede la disponibilità di dati ad altissima frequenza per una varietà di attivi e di mercati finanziari. Questo è già possibile per il mercato americano (database TAQ per il NYSE, NASTRAQ per il NASDAQ) e per il LIFFE (prodotti derivati su indici di borsa e titoli del debito pubblico), ma non ancora per la borsa italiana o il mercato dei titoli di stato italiani, in quanto manca una facility nazionale di dati ad altissima frequenza. Per questa ragione, i risultati metodologici e applicativi saranno sviluppati in prima istanza con riferimento alle realtà finanziarie nelle quali la disponibilità dei dati è immediata e successivamente estesa al caso italiano.
Gli obiettivi specifici che ci si pongono pertanto sono i seguenti: (i) Preparazione di una banca dati relativa al mercato americano NYSE con estrazione di dati relativi ad indici azionari (Dow Jones Industrials, Standard & Poor 500) ed un campione di azioni di società a diverso livello di capitalizzazione e volume medio di scambio; (ii) Analisi descrittiva dell’andamento della volatilità per finestre intragiornaliere di ampiezza variabile (da 2 a 30 minuti) ed individuazione di patterns; (iii) Analisi dell’impatto della quotazione di apertura relativamente al prezzo di chiusura del giorno precedente sulla volatilità intragiornaliera con modellistica GARCH univariata e multivariata; (iv) Sviluppo di un modello detto Deterministically Switching GARCH, nel quale l’oggetto di analisi sono i rendimenti intragiornalieri e overnight raggruppati in una serie storica il cui l’indice rappresenta l’alternarsi di periodi di apertura e chiusura dei mercati; e la metodologia combina un modello interdipendente per la volatilità di ciascuna componente; (v) Analisi della sensibilità del modello all’esclusione di un periodo di ampiezza via via crescente immediatamente successivo all’apertura dei mercati per individuare l’esaurimento dell’effetto apertura; (vi) Analisi dell’impatto sulla volatilità intragiornaliera dei meccanismi di contrattazione precedenti all’apertura propri di alcuni mercati (ad esempio il NASDAQ); (vii) Sviluppo di un modello ad indicatori multipli per la modellazione della volatilità come variabile latente usando come variabili osservabili l’informazione contenuta nei valori assoluti dei rendimenti giornalieri, nella differenza fra prezzi più elevato e più basso registrati all’interno della giornata e realized volatility calcolata sulla base dei dati infragiornalieri a varie frequenze di osservazioni; (viii) Sviluppo di modelli multivariati per la valutazione delle covarianze time-varying di un numero elevato di assets: estensioni del modello Dynamic Conditional Correlation per prendere in considerazione effetti di reazione asimmetrica a innovazioni negative e applicazioni per allocazione di portafoglio e valutazione dei rischi associati.

INFM Roma1 A7.1Ottimizzazione del processo di determinazione dei parametri di serie stocastiche di tipo GARCH. Elaborazione di nuovi metodi per stimare i parametri del processo. Analisi di funzioni di auto-correlazione in serie empiriche e simulate di volatilità.


Obiettivo 4 - Scelte di Portafoglio
INFM PA A1.1Saranno effettuate delle procedure di filtraggio delle matrici di coefficienti di correlazione fra beni contestualmente trattati in un determinato mercato finanziario. Il filtraggio sarà finalizzato alla individuazione del processo di formazione di clusters di beni finanziari omogenei sotto il profilo dell'attività economica. Svolgendo questo tipo di indagine con dati di alta frequenza si otterranno informazioni sulla microstruttura dei mercati indagati (si intendono indagare: NYSE, NASDAQ, Borsa di Milano e Borsa di Budapest). Tale ricerca sarà effettuata sia per periodi antecedenti che per periodi seguenti all'introduzione e allo sviluppo del trading on line. Il processo di filtraggio sarà anche applicato alla problematica della selezione di un portafoglio ottimale. Infatti la procedura di filtraggio della matrice di varianza covarianza potrebbe rivelarsi molto utile nel processo di ``undressing'' del rumore inevitabilmente associato con la matrice di varianza covarianza.

CNR IAC A1Sviluppo di un sistema efficiente per il calcolo del costo del debito pubblico che tenga conto dei vincoli di bilancio e del patto di crescita e stabilità. Si effettuerà inoltre la calibrazione dii modelli per l'evoluzione dei Tassi di Interesse relativi al mercato dei Titoli di Stato italiani.

CNR IAC A2 - Realizzazione di un modello semplificato per l’emissione ottimale dei titoli di debito pubblico che consideri solo il rifinanziamento del debito stesso.

CNR IAC A3 - Realizzazione di un modello per la gestione ottimale del debito pubblico che tenga conto delle variabili di carattere macroeconomico.

INFM Roma1 A7.2 - Sviluppo codici ed algoritmi di ottimizzazione. Studio di metodi tipo annealing e tempering. Sviluppo di algoritmi Monte Carlo ottimizzati per lo studio di sistemi in cui lo spazio presenta una struttura di grande complessità. Studio di equazioni differenziali stocastiche applicate a problemi relativi a politiche assicurative.

CMA A8.1 - Consolidamento dello studio dell'allocazione ottimale di portafoglio sotto i vincoli del passivo. Sviluppo tecnologico per l'importazione di tecniche di calcolo parallelo nell'ambito delle imprese tramite una collaborazione operativa con SuSE. Formazione/Collaborazione Studenti.

CMA A8.2Utilizzazione di HPC per servizi di Computer Aided Asset Liability Management e per ingegnerizzazione di prodotti finanziari. Formazione/collaborazione Studenti.

CMA A8.3Sviluppo analisi dei rischi e applicazione di Extreme Value Theory per l'analisi dei rischi attuariali. Formazione/collaborazione Studenti.