Systemic Risk | 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:

RiskSentinel for Microsoft AI Dev Days 2026

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

RiskSentinel e il progetto che ho sviluppato per il Microsoft AI Dev Days Hackathon 2026.

L’idea di fondo era creare un sistema capace di rendere il rischio sistemico piu esplorabile e piu tangibile: invece di trattare il contagio come un output astratto in un paper o in un notebook, volevo un’interfaccia in cui gli shock potessero essere lanciati, propagati, confrontati e interpretati in tempo reale.

Il progetto combina network science, contagion modeling e agentic AI su dati di rete finanziaria di livello research-grade che coprono 210 titoli dell’S&P 500 e 3.081 snapshot giornaliere. Sotto il cofano integra tre modelli di propagazione, interactive network analytics con Streamlit e Plotly e un workflow agentico costruito con Microsoft Agent Framework e Azure OpenAI.

Quello che mi piace di piu di questo progetto e che si colloca esattamente al confine tra i miei interessi di ricerca e la prototipazione pratica: reti finanziarie, sistemi complessi, supporto decisionale e agenti AI nello stesso strumento.

👉
GitHub:
App:

Conseguimento del Master

Fri, 23 Jan 2026 00:00:00 +0000

Sono felice di condividere che il lunedì 2 febbraio 2026 ho conseguito il Master di II livello in Customer Experience, Statistics, Machine Learning and Artificial Intelligence (CESMA) presso la University of Rome Tor Vergata, con voto finale 110/110 con lode.

La tesi

La mia tesi, intitolata “Network Topology Analysis and Machine Learning Techniques for Systemic Risk Prediction in U.S. Equity Markets”, esplora l’applicazione delle Graph Neural Networks e della teoria delle reti complesse per individuare segnali di early warning nei mercati finanziari.

Questo lavoro e direttamente collegato alla mia ricerca in corso. Puoi esplorarne i dettagli tecnici e il codice nelle sezioni dedicate del portfolio:

👉
📄

Il master mi ha dato una base solida in metodi statistici avanzati e AI, che oggi sto applicando nella mia ricerca di dottorato alla Scuola Superiore Sant’Anna.

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.