Research | Stefano Blando

Island Model + MultiVeStA - Statistical Model Checking della Crescita Economica

Fri, 06 Mar 2026 00:00:00 +0000

Questo progetto riproduce ed estende l’Island Model di Fagiolo e Dosi (2003), un modello agent-based fondamentale della crescita economica endogena, usando MultiVeStA, uno strumento per lo statistical model checking sequenziale di sistemi stocastici.

Il paper e stato accettato a MARS @ ETAPS 2026 (Workshop on Models for Formal Analysis of Real Systems, European Joint Conferences on Theory and Practice of Software).

Lavoro con Giorgio Fagiolo, Daniele Giachini, Andrea Vandin ed Ernest Ivanaj (Scuola Superiore Sant’Anna).

Pagine collegate: , e .

Cosa fa il modello

L’Island Model cattura la crescita endogena attraverso l’interazione di tre tipi di agenti eterogenei che operano su un fitness landscape:

Miners sfruttano la loro nicchia produttiva corrente, accumulando competenze nel tempo
Imitators copiano l’agente visibile con maggior successo, diffondendo conoscenza nell’economia con probabilita φ
Explorers cercano nuove isole casualmente, guidando l’innovazione ed evitando il lock-in

L’intuizione chiave e che la tensione tra exploitation ed exploration, parametrizzata da ε, genera dinamiche di crescita autosostenute senza richiedere progresso tecnologico esogeno.

Cosa aggiunge MultiVeStA

L’analisi Monte Carlo standard usa un numero fisso di simulazioni senza garanzie formali sulla qualita della stima. MultiVeStA applica sequential statistical model checking: esegue le simulazioni in modo adattivo, fermandosi solo quando l’intervallo di confidenza al 95% su E[logGDP] e piu stretto di δ=0.05 a ogni istante temporale. Questo fornisce una garanzia formale di precisione: la dimensione campionaria e determinata dalla varianza dei dati, non dal ricercatore.

La nostra analisi conferma l’ottimalita di un’esplorazione moderata (ε ≈ 0.1), riproduce tutti gli stylized facts del modello originale e stabilisce tramite analisi controfattuale con Welch t-test che 6 confronti su 7 tra coppie di parametri producono traiettorie di crescita statisticamente distinguibili. L’unica eccezione (ρ=3.0 vs ρ=5.0) rivela un effetto di saturazione nella localita della conoscenza.

Interactive Explorer

L’app interattiva permette di esplorare il modello dal vivo: osservare gli agenti muoversi nel paesaggio tecnologico, seguire le cascata di imitazione e gli eventi di esplorazione, eseguire l’analisi di sensibilita MultiVeStA su α, φ e ρ, e vedere come converge il campionamento sequenziale.

Ottimizzazione Robusta di Portafoglio sotto Disruption Sistemiche di Mercato (PFSE)

Fri, 06 Mar 2026 00:00:00 +0000

Questo progetto introduce il Parallel Factor Space Estimator (PFSE), un framework ibrido per la stima robusta della covarianza che risolve un trade-off fondamentale nel portfolio management istituzionale: gli stimatori robusti tradizionali (MCD, Tyler) offrono forti garanzie statistiche ma sono computazionalmente impraticabili per il ribilanciamento giornaliero di oltre 100 asset, mentre i metodi efficienti (Ledoit-Wolf, sample covariance) hanno breakdown point nullo contro contaminazioni sistematiche.

PFSE sfrutta un’intuizione strutturale: durante disruption sistemiche di mercato, come flash crash, shock di politica monetaria o contagio di crisi, i movimenti estremi si propagano attraverso fattori comuni, non componenti idiosincratiche. Concentrando la stima robusta in uno spazio fattoriale ridotto di dimensione k (k=5 contro p=100-1000), PFSE eredita il breakdown point del 25% da MCD ottenendo al tempo stesso 32x speedup computazionale.

Lavoro con Alessio Farcomeni (University of Roma Tor Vergata). Sottomesso a Computational Economics (Springer), marzo 2026.

Risultati principali

Validato attraverso tre stadi complementari:

Monte Carlo (p=100, ε=10% contamination): PFSE Sharpe 1.42 vs 0.96 per sample covariance, mantiene il 97% della performance clean-data mentre la sample covariance degrada del 31%
Backtest S&P 500 (2015-2025): Sharpe out-of-sample 1.87 vs 1.63 (+14.7%), max drawdown -24.3% vs -34.1% (-29%) durante il COVID-19, turnover -42%
Cinque scenari di stress: PFSE rank-1 in tutti gli scenari, Sharpe medio 1.67 vs 1.39 (+20%), minima variabilita della performance (CoV 0.041 vs 0.064)
Valore economico: $72M di benefici in periodi normali + $93M in periodi di stress per ogni portafoglio da $1B, rapporto benefici-costi 31:1

Interactive Explorer

L’app interattiva permette di esplorare tutti i risultati: eseguire live l’algoritmo di stima PFSE, confrontare i metodi all’aumentare della contaminazione, esaminare la scalabilita computazionale e ispezionare i rendimenti cumulati dell’S&P 500 nei quattro regimi di mercato.

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.