Guido Germano

Biografia

Guido Germano è Professor of Computational Science presso lo University College London, dove è Direttore dell'MSc Computational Finance sin dalla sua fondazione nel 2015. È inoltre affiliato al Systemic Risk Centre della London School of Economics. Ha studiato all'Università di Pisa conseguendo la laurea in chimica fisica teorica (1994, tesi presso l'MPIP di Magonza) e un dottorato di ricerca in simulazione molecolare quantistico-classica (1998), che ha incluso un soggiorno nel secondo anno presso l'Università della California, San Francisco. Dopo i post-dottorati in fisica teorica della materia soffice presso la Scuola Normale Superiore di Pisa (1998), l'Università di Bristol (1998-2000) e l'Università di Bielefeld (2000-2002), ha ricoperto incarichi accademici presso l'Università di Marburgo fino al suo ingresso in UCL nel 2013. Ha gradualmente spostato la sua ricerca dalle simulazioni di dinamica molecolare su larga scala su computer massivamente paralleli ai processi stocastici nella fisica statistica e nella matematica finanziaria, campo di cui si è interessato durante un incarico di assistente presso l'Università di Bonn (Sezione di Statistica, Facoltà di Giurisprudenza ed Economia, 1994-1995). È stato inoltre fellow presso l'Università del Piemonte Orientale, Novara (Dipartimento di Scienze Economiche e Metodi Quantitativi, 2009-2012). È tornato brevemente a Pisa come fellow presso la Scuola Normale Superiore (Quantitative Finance Group, 2012-2013) e come Visiting Professor presso la Scuola Superiore Sant'Anna (Istituto di Economia, 2026).

Contributi al workshop

Applicazioni del machine learning nella finanza

Il talk illustra le recenti applicazioni del machine learning in finanza su cui ho lavorato negli ultimi dieci anni con i miei dottorandi: 1. L'uso di large language models per valutare il sentiment nelle notizie finanziarie, correlarlo con i rendimenti e impiegarlo in strategie di trading basate sul sentiment; 2. L'uso del reinforcement learning e del sentiment-augmented reinforcement learning nell'allocazione di portafoglio; 3. L'uso di reti neurali profonde come surrogati per velocizzare il pricing con modelli stocastici; 4. L'uso di reti neurali profonde per la calibrazione del modello, ovvero la stima forward-looking dei parametri del modello a partire dai prezzi di mercato delle opzioni europee; 5. L'uso di varie tecniche di machine learning (regressione logistica, support vector machines, reti neurali, regolarizzazione bayesiana, k-nearest neighbours, ecc.) per il credit scoring. Non tutti questi approcci funzionano ugualmente bene o hanno un vantaggio rispetto ai metodi tradizionali solo perché basati sul machine learning: il primo ha i risultati più spettacolari, il quinto i meno, il terzo e il quarto dipendono dal modello.