ID:
APFAI26
Durata (ore):
36
CFU:
6
SSD:
Economia applicata
Sede:
PESCARA
Url:
ECONOMIA E MANAGEMENT/FINANZA, BANCHE E MERCATI Anno: 1
Anno:
2026
Course Catalogue:
Dati Generali
Periodo di attività
Secondo Quadrimestre (06/01/2027 - 14/04/2027)
Syllabus
Obiettivi Formativi
Il corso mira a formare laureati magistrali capaci di valutare criticamente l'adozione di sistemi di intelligenza artificiale negli intermediari e nei mercati finanziari, coniugando comprensione tecnica, analisi economica e consapevolezza regolatoria.
Conoscenza e capacità di comprensione. Lo studente conosce la tassonomia dell'AI e la logica di funzionamento dei principali modelli di apprendimento automatico; conosce i casi d'uso dell'AI nel settore finanziario e il quadro regolatorio europeo di riferimento.
Capacità di applicare conoscenza e comprensione. Lo studente sa analizzare un caso d'uso reale identificando la predizione prodotta, i dati che la alimentano, il ruolo del giudizio umano e i rischi generati; sa interpretare gli output di un modello predittivo e ragionare sul trade-off tra errori di classificazione in termini economici.
Autonomia di giudizio. Lo studente valuta criticamente le affermazioni sulle prestazioni dei sistemi di AI, distinguendo evidenza empirica e retorica commerciale, e riconosce i limiti metodologici delle rilevazioni sull'adozione; sa argomentare sui trade-off tra accuratezza, interpretabilità ed equità.
Abilità comunicative. Lo studente presenta in forma scritta e orale l'analisi di un caso d'uso di AI a interlocutori sia tecnici sia non tecnici, motivando le proprie valutazioni.
Capacità di apprendimento. Lo studente è in grado di leggere autonomamente paper accademici e documenti delle autorità di vigilanza su un ambito in rapida evoluzione, aggiornando le proprie conoscenze oltre il termine del corso.
Conoscenza e capacità di comprensione. Lo studente conosce la tassonomia dell'AI e la logica di funzionamento dei principali modelli di apprendimento automatico; conosce i casi d'uso dell'AI nel settore finanziario e il quadro regolatorio europeo di riferimento.
Capacità di applicare conoscenza e comprensione. Lo studente sa analizzare un caso d'uso reale identificando la predizione prodotta, i dati che la alimentano, il ruolo del giudizio umano e i rischi generati; sa interpretare gli output di un modello predittivo e ragionare sul trade-off tra errori di classificazione in termini economici.
Autonomia di giudizio. Lo studente valuta criticamente le affermazioni sulle prestazioni dei sistemi di AI, distinguendo evidenza empirica e retorica commerciale, e riconosce i limiti metodologici delle rilevazioni sull'adozione; sa argomentare sui trade-off tra accuratezza, interpretabilità ed equità.
Abilità comunicative. Lo studente presenta in forma scritta e orale l'analisi di un caso d'uso di AI a interlocutori sia tecnici sia non tecnici, motivando le proprie valutazioni.
Capacità di apprendimento. Lo studente è in grado di leggere autonomamente paper accademici e documenti delle autorità di vigilanza su un ambito in rapida evoluzione, aggiornando le proprie conoscenze oltre il termine del corso.
Prerequisiti
Sono richieste le conoscenze di base acquisite nel corso di laurea triennale in ambito economico e aziendale: elementi di statistica e di econometria (variabili casuali, stima, regressione lineare, verifica di ipotesi) e fondamenti di economia degli intermediari finanziari e di finanza aziendale (funzionamento di banche e mercati, rischio e rendimento, valutazione degli strumenti finanziari).
Non è richiesta alcuna competenza di programmazione: i laboratori del corso utilizzano strumenti interattivi predisposti dal docente, utilizzabili da qualunque browser senza installazioni né scrittura di codice. È utile, ma non necessaria, una conoscenza dell'inglese sufficiente alla lettura di documenti tecnici.
Non è richiesta alcuna competenza di programmazione: i laboratori del corso utilizzano strumenti interattivi predisposti dal docente, utilizzabili da qualunque browser senza installazioni né scrittura di codice. È utile, ma non necessaria, una conoscenza dell'inglese sufficiente alla lettura di documenti tecnici.
Metodi didattici
Il corso si articola in 36 ore di attività frontali, organizzate in 12 lezioni da 3 ore ciascuna, e combina tre modalità di lavoro.
Lezione dialogata. Ogni lezione muove dalle domande sollevate dalla dispensa della settimana e alterna esposizione teorica e discussione guidata dei casi.
Laboratori interattivi. Ogni lezione include un laboratorio (indicativamente 45-60 minuti) svolto in aula su applicazioni web autonome predisposte dal docente: simulatori di scoring, esploratori di modelli, simulazioni di mercato, esercizi di analisi documentale. Non è richiesta alcuna programmazione. I laboratori sono riutilizzabili a casa e si concludono con una scheda di consegna.
Lavoro su fonti primarie e progetto di gruppo. Gli studenti frequentanti lavorano in gruppi di 3-4 persone all'analisi critica di un caso d'uso reale di AI in un intermediario o in un mercato finanziario, con presentazione e discussione nell'ultima lezione. Il tema è a scelta del gruppo, previa approvazione del docente.
Il materiale didattico (dispense, slide, laboratori) è pubblicato sulla piattaforma di ateneo dopo ogni lezione.
Lezione dialogata. Ogni lezione muove dalle domande sollevate dalla dispensa della settimana e alterna esposizione teorica e discussione guidata dei casi.
Laboratori interattivi. Ogni lezione include un laboratorio (indicativamente 45-60 minuti) svolto in aula su applicazioni web autonome predisposte dal docente: simulatori di scoring, esploratori di modelli, simulazioni di mercato, esercizi di analisi documentale. Non è richiesta alcuna programmazione. I laboratori sono riutilizzabili a casa e si concludono con una scheda di consegna.
Lavoro su fonti primarie e progetto di gruppo. Gli studenti frequentanti lavorano in gruppi di 3-4 persone all'analisi critica di un caso d'uso reale di AI in un intermediario o in un mercato finanziario, con presentazione e discussione nell'ultima lezione. Il tema è a scelta del gruppo, previa approvazione del docente.
Il materiale didattico (dispense, slide, laboratori) è pubblicato sulla piattaforma di ateneo dopo ogni lezione.
Verifica Apprendimento
Studenti frequentanti. La valutazione è distribuita su quattro componenti: due prove intermedie scritte svolte in aula (25% ciascuna), della durata di 45 minuti, composte da domande a risposta chiusa e da una domanda aperta breve, sui contenuti rispettivamente delle Lezioni 1-4 e delle Lezioni 5-8; un progetto di gruppo (40%), consistente nell'analisi critica di un caso d'uso reale di AI in finanza, con presentazione e discussione nell'ultima lezione; la partecipazione ai laboratori (10%), verificata attraverso la consegna di almeno 6 schede di laboratorio su 10. Lo studente che non superi una prova intermedia, o che intenda migliorarne l'esito, può sostenere la parte corrispondente in sede di esame finale.
Il progetto di gruppo è valutato secondo una rubrica comunicata all'inizio del corso: comprensione tecnica del sistema analizzato (25%), analisi economica di valore, incentivi ed effetti su clienti e mercato (30%), analisi dei rischi e della conformità regolatoria (25%), qualità della presentazione e capacità di rispondere alle domande (20%).
Studenti non frequentanti. La valutazione si compone di una prova scritta finale sull'intero programma (60%), con domande a risposta chiusa e due domande aperte, e di un elaborato individuale (40%) di circa 3.000 parole dedicato all'analisi di un caso d'uso di AI in finanza, oggetto di discussione orale. Il tema dell'elaborato va concordato con il docente almeno tre settimane prima dell'appello.
Criteri di valutazione. In entrambi i percorsi concorrono al voto finale, espresso in trentesimi: la padronanza dei concetti e del lessico tecnico, la capacità di applicare la griglia di analisi del corso a casi nuovi, il rigore dell'argomentazione economica e regolatoria, la chiarezza espositiva. La lode è attribuita in presenza di autonomia di giudizio e di capacità di collegamento tra le parti del programma particolarmente spiccate.
Il progetto di gruppo è valutato secondo una rubrica comunicata all'inizio del corso: comprensione tecnica del sistema analizzato (25%), analisi economica di valore, incentivi ed effetti su clienti e mercato (30%), analisi dei rischi e della conformità regolatoria (25%), qualità della presentazione e capacità di rispondere alle domande (20%).
Studenti non frequentanti. La valutazione si compone di una prova scritta finale sull'intero programma (60%), con domande a risposta chiusa e due domande aperte, e di un elaborato individuale (40%) di circa 3.000 parole dedicato all'analisi di un caso d'uso di AI in finanza, oggetto di discussione orale. Il tema dell'elaborato va concordato con il docente almeno tre settimane prima dell'appello.
Criteri di valutazione. In entrambi i percorsi concorrono al voto finale, espresso in trentesimi: la padronanza dei concetti e del lessico tecnico, la capacità di applicare la griglia di analisi del corso a casi nuovi, il rigore dell'argomentazione economica e regolatoria, la chiarezza espositiva. La lode è attribuita in presenza di autonomia di giudizio e di capacità di collegamento tra le parti del programma particolarmente spiccate.
Testi
Non è adottato un manuale unico. Il materiale d'esame è costituito dalle dispense del docente (una per lezione, distribuite sulla piattaforma di ateneo) e dalle letture primarie assegnate lezione per lezione, indicate qui di seguito nelle voci principali.
Report delle autorità:
- Financial Stability Board (2024), The Financial Stability Implications of Artificial Intelligence.
- Financial Stability Board (2025), Monitoring Adoption of Artificial Intelligence and Related Vulnerabilities in the Financial Sector.
- Bank of England (2025), Financial Stability in Focus: Artificial Intelligence in the Financial System.
- Bank for International Settlements (2025), The Use of Artificial Intelligence for Policy Purposes.
- Perez-Cruz F., Prenio J., Restoy F., Yong J. (2025), Managing Explanations: How Regulators Can Address AI Explainability, BIS Occasional Paper n. 24.
- European Banking Authority (2025), AI Act: Implications for the EU Banking and Payments Sector.
- ESMA, Public Statement on the Use of Artificial Intelligence in the Provision of Retail Investment Services.
Letteratura accademica:
- Mullainathan S., Spiess J. (2017), "Machine Learning: An Applied Econometric Approach", Journal of Economic Perspectives, 31(2).
- Fuster A., Goldsmith-Pinkham P., Ramadorai T., Walther A. (2022), "Predictably Unequal? The Effects of Machine Learning on Credit Markets", Journal of Finance, 77(1).
- Gu S., Kelly B., Xiu D. (2020), "Empirical Asset Pricing via Machine Learning", Review of Financial Studies, 33(5) (sezioni indicate a lezione).
- Foucault T., Gambacorta L., Jiang W., Vives X. (2025), "Artificial Intelligence in Finance", VoxEU.
Tutte le letture sono disponibili in accesso aperto o attraverso le risorse elettroniche di ateneo. L'elenco definitivo e aggiornato è pubblicato all'inizio del corso.
Report delle autorità:
- Financial Stability Board (2024), The Financial Stability Implications of Artificial Intelligence.
- Financial Stability Board (2025), Monitoring Adoption of Artificial Intelligence and Related Vulnerabilities in the Financial Sector.
- Bank of England (2025), Financial Stability in Focus: Artificial Intelligence in the Financial System.
- Bank for International Settlements (2025), The Use of Artificial Intelligence for Policy Purposes.
- Perez-Cruz F., Prenio J., Restoy F., Yong J. (2025), Managing Explanations: How Regulators Can Address AI Explainability, BIS Occasional Paper n. 24.
- European Banking Authority (2025), AI Act: Implications for the EU Banking and Payments Sector.
- ESMA, Public Statement on the Use of Artificial Intelligence in the Provision of Retail Investment Services.
Letteratura accademica:
- Mullainathan S., Spiess J. (2017), "Machine Learning: An Applied Econometric Approach", Journal of Economic Perspectives, 31(2).
- Fuster A., Goldsmith-Pinkham P., Ramadorai T., Walther A. (2022), "Predictably Unequal? The Effects of Machine Learning on Credit Markets", Journal of Finance, 77(1).
- Gu S., Kelly B., Xiu D. (2020), "Empirical Asset Pricing via Machine Learning", Review of Financial Studies, 33(5) (sezioni indicate a lezione).
- Foucault T., Gambacorta L., Jiang W., Vives X. (2025), "Artificial Intelligence in Finance", VoxEU.
Tutte le letture sono disponibili in accesso aperto o attraverso le risorse elettroniche di ateneo. L'elenco definitivo e aggiornato è pubblicato all'inizio del corso.
Contenuti
Il corso analizza l'impatto dell'intelligenza artificiale sull'industria finanziaria dal punto di vista dell'economia applicata. La prospettiva adottata non è informatica ma economica: l'AI è trattata come una tecnologia che riduce il costo della predizione, e la domanda guida è quali compiti renda più economici, chi ne catturi il valore, quali rischi generi per clienti, intermediari e stabilità del sistema, e come le regole li governino.
Il percorso si articola in quattro parti. La prima costruisce i fondamenti concettuali necessari a valutare criticamente un sistema di AI: tassonomia (machine learning, deep learning, AI generativa), logica dell'apprendimento supervisionato, criteri di valutazione dei modelli, interpretabilità. La seconda attraversa le applicazioni core della finanza: valutazione del merito creditizio, previsione dei rendimenti e asset pricing, trading algoritmico e microstruttura dei mercati, gestione di portafoglio e robo-advisory, contrasto alle frodi e antiriciclaggio. La terza è dedicata all'AI generativa e ai grandi modelli linguistici e alla loro integrazione nei processi bancari e assicurativi. La quarta affronta il quadro regolatorio e prudenziale europeo — AI Act, DORA, vigilanza EBA/ESMA/EIOPA — e le implicazioni per la stabilità finanziaria.
Ogni lezione è accompagnata da un laboratorio interattivo che non richiede competenze di programmazione.
Il percorso si articola in quattro parti. La prima costruisce i fondamenti concettuali necessari a valutare criticamente un sistema di AI: tassonomia (machine learning, deep learning, AI generativa), logica dell'apprendimento supervisionato, criteri di valutazione dei modelli, interpretabilità. La seconda attraversa le applicazioni core della finanza: valutazione del merito creditizio, previsione dei rendimenti e asset pricing, trading algoritmico e microstruttura dei mercati, gestione di portafoglio e robo-advisory, contrasto alle frodi e antiriciclaggio. La terza è dedicata all'AI generativa e ai grandi modelli linguistici e alla loro integrazione nei processi bancari e assicurativi. La quarta affronta il quadro regolatorio e prudenziale europeo — AI Act, DORA, vigilanza EBA/ESMA/EIOPA — e le implicazioni per la stabilità finanziaria.
Ogni lezione è accompagnata da un laboratorio interattivo che non richiede competenze di programmazione.
Lingua Insegnamento
Italiano.
I materiali didattici (dispense, slide, laboratori) sono in italiano. Una parte rilevante delle letture assegnate — paper accademici e report delle autorità di vigilanza internazionali — è in lingua inglese: le dispense forniscono per ciascuna lettura un orientamento e una sintesi in italiano. L'esame si svolge in italiano; su richiesta dello studente è possibile sostenerlo in inglese.
I materiali didattici (dispense, slide, laboratori) sono in italiano. Una parte rilevante delle letture assegnate — paper accademici e report delle autorità di vigilanza internazionali — è in lingua inglese: le dispense forniscono per ciascuna lettura un orientamento e una sintesi in italiano. L'esame si svolge in italiano; su richiesta dello studente è possibile sostenerlo in inglese.
Altre informazioni
Frequenza. La frequenza non è obbligatoria, ma il corso prevede percorsi di valutazione distinti per studenti frequentanti e non frequentanti. Si considerano frequentanti gli studenti che partecipano ad almeno il 75% delle lezioni (9 su 12) e che rispettano le consegne dei laboratori.
Uso di strumenti di intelligenza artificiale. L'uso di strumenti di AI generativa per lo studio è consentito e incoraggiato, coerentemente con l'oggetto del corso. Nelle prove valutative e nel progetto di gruppo l'eventuale uso di tali strumenti va dichiarato, specificando in quale fase del lavoro e con quale finalità: la dichiarazione non penalizza la valutazione, l'uso non dichiarato sì. Restano ferme le norme di ateneo in materia di correttezza nelle prove d'esame.
Studenti con disabilità o DSA. Gli studenti con disabilità o con disturbi specifici dell'apprendimento possono concordare con il docente, in raccordo con i servizi di ateneo, gli strumenti compensativi e le misure dispensative previsti dalla normativa.
Ricevimento. Su appuntamento, in presenza o online, da concordare via posta elettronica.
Uso di strumenti di intelligenza artificiale. L'uso di strumenti di AI generativa per lo studio è consentito e incoraggiato, coerentemente con l'oggetto del corso. Nelle prove valutative e nel progetto di gruppo l'eventuale uso di tali strumenti va dichiarato, specificando in quale fase del lavoro e con quale finalità: la dichiarazione non penalizza la valutazione, l'uso non dichiarato sì. Restano ferme le norme di ateneo in materia di correttezza nelle prove d'esame.
Studenti con disabilità o DSA. Gli studenti con disabilità o con disturbi specifici dell'apprendimento possono concordare con il docente, in raccordo con i servizi di ateneo, gli strumenti compensativi e le misure dispensative previsti dalla normativa.
Ricevimento. Su appuntamento, in presenza o online, da concordare via posta elettronica.
Corsi
Corsi
ECONOMIA E MANAGEMENT
Laurea Magistrale
2 anni
No Results Found