Network Science | Stefano Blando

RiskSentinel - Simulatore Agentico di Rischio Sistemico

Sun, 15 Mar 2026 00:00:00 +0000

RiskSentinel e un simulatore agentico di rischio sistemico costruito attorno a una domanda che trovo insieme pratica e concettualmente interessante: se un grande nodo finanziario viene colpito da uno shock, come possiamo rendere la propagazione di quello stress visibile, confrontabile e spiegabile in tempo reale?

Sviluppato per il Microsoft AI Dev Days Hackathon 2026, il progetto combina tre modelli di contagio, analytics topology-aware e un workflow multi-agente bounded sopra dati di rete di mercato di livello research-grade. Lo scopo non e solo simulare le cascades, ma renderle piu facili da ispezionare tramite interazione in linguaggio naturale, visualizzazione interattiva e confronto tra modelli.

Cio che fa funzionare il progetto e la combinazione di livelli che spesso restano separati: un vero motore di simulazione di rete, un’interfaccia che rende i risultati esplorabili e un livello agentico che aiuta a interpretare cio che sta accadendo senza fingere di sostituire il motore quantitativo sottostante.

Il risultato e un prototipo pratico per il monitoraggio del rischio sistemico, a cavallo tra finanza quantitativa, sistemi complessi e supporto decisionale assistito da AI.

Puoi esplorare il progetto qui:

Network Topology Analysis and Machine Learning Techniques for Systemic Risk Prediction in U.S. Equity Markets

Thu, 15 Jan 2026 00:00:00 +0000

Analisi della Topologia di Rete per la Previsione del Rischio Sistemico

Sat, 10 Jan 2026 00:00:00 +0000

Questo progetto corrisponde alla mia tesi CESMA sulla previsione del rischio sistemico nei mercati azionari statunitensi. La domanda di fondo e semplice ma importante: la topologia di rete puo dire qualcosa di utile sullo stress di mercato prima degli indicatori standard?

Usando dati giornalieri di 210 componenti dell’S&P 500 (2013-2025), il progetto combina reti di correlazione dinamiche con modelli di machine learning che vanno dal gradient boosting alle Graph Neural Networks come GraphSAGE e GAT. L’obiettivo non e solo l’accuratezza di classificazione, ma l’utilita economica sotto vincoli realistici di validazione e backtesting.

Il risultato piu interessante e che i segnali derivati dalla rete sembrano contenere vera informazione di early warning, soprattutto attorno a stati di mercato severi e strutturalmente fragili. Nelle configurazioni migliori, il framework migliora sia il timing sia la performance di trading rispetto a baseline piu semplici.

Questo progetto e affiancato dalla relativa pagina tesi, dove lo stesso lavoro e presentato come publication entry.

NLP e Analisi di Reti Semantiche

Sat, 10 Jan 2026 00:00:00 +0000

Questo progetto e l’implementazione tecnica alla base della pubblicazione “A Multi-Method Validation Framework for Large-Scale Multilingual Text Analytics” (JADT 2026, in review). Operationalizza l’intero workflow analitico usato nel paper, dalla preparazione dei dati alla validazione cross-method e al confronto dei risultati.

La pipeline combina moduli in R e Python su un grande corpus multilingue di recensioni, includendo: preprocessing e TF-IDF, LDA topic modeling, LSA e Correspondence Analysis, sentiment analysis lessicale e model-based, clustering e analisi di reti di co-occorrenza. Il repository include anche script di validazione cross-platform per confrontare gli output dei metodi e verificare la stabilita strutturale tra implementazioni.

L’obiettivo centrale e la robustezza metodologica: verificare quali risultati restano consistenti quando cambiano metodi, famiglie di modelli e componenti specifiche della lingua. In questo senso, il progetto non e una generica demo NLP, ma una pipeline di ricerca riproducibile progettata per la validazione quantitativa di conclusioni di text analytics.