Programma
Struttura della masterclass
La sessione di kickoff del 9 dicembre è il punto di partenza di un percorso in 8 lezioni in cui si alternano: momenti teorici, demo live, laboratorio su notebook e sessioni di confronto sugli elaborati degli studenti.
-
1.
Kickoff – Benvenuto & introduzione
Cosa fa OOPS TECH, come nasce l'idea di un AI Trading Desk e quali sono gli obiettivi del percorso. Presentazione dei notebook, dei dataset e delle 8 lezioni complessive. -
2.
Fondamentali dei mercati moderni
Come funziona un mercato elettronico: order book, liquidità, microstruttura. Differenze operative tra future, CFD e indici cash. Perché oggi i mercati sono dominati dai dati e dagli algoritmi, e quali sono gli errori tipici di chi inizia. -
3.
Introduzione alla finanza quantitativa
Cosa fa un quant researcher. Le quattro aree fondamentali:- Data engineering: recupero, pulizia, normalizzazione dei dati
- Feature engineering: trasformare prezzi e volumi in segnali
- Modeling (AI/ML): modelli statistici e di machine learning
- System design: strategie, validazione, risk management
-
4.
AI vettoriale per il trading – OOPS TECH Sentiment Engine
Cosa sono gli embedding e perché hanno senso in finanza. Come leggere automaticamente news, social ed earning-call, come trasformare testo in vettori e come usare clustering e scoring per ottenere un sentiment sintetico utilizzabile da un trading system. -
5.
OOPS LEVELS – dalla microstruttura ai livelli operativi
Come vengono calcolati i livelli, i radar e i cluster di volatilità. Concetto di morning setup, range di apertura, volatilità intraday, zone di interesse. Esempi pratici su FDAX e S&P500 con lettura congiunta di prezzo, range e volume. -
6.
Laboratorio pratico (hands-on con notebook Python)
Gli studenti lavorano in piccoli passi guidati: import dei dati, creazione di feature, costruzione di un modello semplice e valutazione con un mini-backtest. -
7.
Review delle soluzioni & Q&A continuativo
In alcune delle lezioni successive (online) vengono discusse le soluzioni, le varianti dei modelli e gli esperimenti fatti dagli studenti sui notebook. -
8.
Sessioni live presso gli OOPS LAB
Incontri in presenza per lavorare su casi studio più avanzati, vedere dal vivo le dashboard OOPS TECH e ragionare insieme su possibili progetti di ricerca.
Calendario dettagliato
Le date delle lezioni successive al kickoff vengono concordate insieme al gruppo durante il primo incontro, in base agli impegni degli studenti e alla disponibilità degli spazi OOPS LAB.
Le date delle lezioni successive al kickoff vengono concordate insieme al gruppo durante il primo incontro, in base agli impegni degli studenti e alla disponibilità degli spazi OOPS LAB.
Laboratorio
Cosa farai con i notebook
Il laboratorio è pensato per essere eseguibile anche in locale con risorse standard: nessuna dipendenza esotica, solo Python, pandas, scikit-learn e matplotlib. Nelle lezioni successive potrai estendere il codice e portare le tue idee alle sessioni live.
Notebook 00 – Introduzione a Python & dati di mercato
- Verifica dell'ambiente Python e librerie
- Caricamento di dati OHLCV da CSV (o dataset sintetico)
- Pulizia base, ordinamento per timestamp, `describe()`
- Primo grafico dei prezzi di chiusura nel tempo
- Esercizi: log-return, volatilità rolling, filtro orario, export CSV pulito
Notebook 01 – Feature engineering di base
- Calcolo di `ret_simple` e `ret_log`
- Range e True Range (TR) classico
- Volatilità rolling a 20 periodi sui log-return
- Volume profile semplificato per fascia di prezzo
- Grafici di prezzo e volume nel tempo
- Esercizi: SMA/EMA, nuovi massimi, feature binaria sopra/sotto SMA, export CSV con feature
Notebook 02 – Modelli previsivi & mini-backtest
- Definizione del target (close_t+1 > close_t)
- Train/test split (70/30)
- Random Forest come modello base
- Metriche di classificazione (accuracy, precision, recall, F1)
- Strategia long/flat guidata dal modello
- Calcolo e grafico dell’equity line
- Esercizi: Logistic Regression, soglia sui rendimenti, transaction costs, confronto buy&hold
Approccio didattico
Ogni notebook è pensato per:
Ogni notebook è pensato per:
- Essere eseguibile anche se i dataset reali non sono disponibili (dataset sintetici di fallback)
- Essere riutilizzabile come base per progetti d'esame o tesi
- Mostrare contemporaneamente teoria e pratica su dati reali