Luca Di Persio

Foto,  26 gennaio 2015
Qualifica
Professore associato
Settore disciplinare
MATH-03/B - Probabilita' e statistica matematica
Settore di Ricerca (ERC-2024)
PE1_13 - Probability

Settore di Ricerca (ERC)
PE1_13 - Probability

Ufficio
Ca' Vignal 2,  Piano 2,  Stanza 10.A
Telefono
+39 045 802 7968
E-mail
luca|dipersio*univr|it <== Sostituire il carattere | con . e il carattere * con @ per avere indirizzo email corretto.

Orario di ricevimento

Riceve su appuntamento da fissare via e-mail.                      

Curriculum

Luca Di Persio si occupa di:

  • Equazioni Differenziali Stocastiche (anche alle derivate parziali) finito/infinito dimensionale
  • Espansioni asintotiche per integrali finito/infinito dimensionali
  • Sistemi di particelle interagenti, passeggiate casuali in mezzo aleatorio
  • Giochi a campo medio
  • Analisi di serie storiche con applicazioni in Finanza Matematica
  • Metodi numerici per la Finanza Matematica
  • Apprendimento automatico, reti neurali e loro applicazioni

Le sue pubblicazioni si collocano su riviste dedicate all'analisi stocastica: tanto da punto di vista esclusivamente teorico, quanto in relazione a possibili applicazioni in ambiti eterogenei. Nel medesimo ambiente si inserisce la sua attività congressuale, dal punto di vista dell'organizzazione, così come in riferimento alla partecipazione come invited speaker, in consessi di rilievo internazionale. La sua attività didattica, che si esplica anche nell'organizzazione di mini corsi tematici in ambito stocastico, è principalmente rivolta alla Teoria
della Probabilità, ivi compresi i metodi statistici per l'analisi di serie storiche. In particolare Luca Di Persio è responsabile del percorso didattico in Finanza Matematica ( Laurea Magistrale in Matematica ) e ha tenuto/tiene i corsi di Probabilità, Sistemi Stocastici, Equazioni Differenziali Stocastiche, Finanza Matematica. Nel novero degli interessi e degli insegnamenti del docente, vi sono gli aspetti, tanto teorici quanto applicativi, caratterizzanti l'apprendimento automatico e la modellistica via reti neurali.
Il docente è:

  • membro (e coordinatore per UniVr) della scuola di Dottorato in Matematica, congiuntamente condotta dal Dipartimento di Matematica dell'Università di Trento e dal Collegio di Matematica dell'Università di Verona: https://www.unitn.it/en/ateneo/1903/doctoral-programme-in-mathematics
  • coordinatore del programma Erasmus+, attivato con le sed di Bielefeld, Monaco, Oslo, ENSIIE,  Wuppertal.
  • Referente MSc in Data Science: https://www.corsi.univr.it/?ent=cs&id=955&lang=en

Insegnamenti

Insegnamenti attivi nel periodo selezionato: 43.
Clicca sull'insegnamento per vedere orari e dettagli del corso.

Corso Nome Crediti totali Online Crediti del docente Moduli svolti da questo docente
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2024/2025)   6  eLearning
Laurea magistrale in Data Science Statistical models for data science (2024/2025)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2024/2025)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2023/2024)   6  eLearning
Laurea magistrale in Data Science (LM-91) Statistical models for data science (2023/2024)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2023/2024)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2022/2023)   6  eLearning
Laurea magistrale in Data Science (LM-91) Statistical models for data science (2022/2023)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2022/2023)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2021/2022)   6  eLearning
Laurea magistrale in Data Science (LM-91) Statistical models for data science (2021/2022)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2021/2022)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Advanced topics in financial engineering (2020/2021)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2020/2021)   6  eLearning
Laurea magistrale in Data Science (LM-91) Probability for data science (2020/2021)   12  eLearning (Teoria)
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2020/2021)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2020/2021)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Advanced topics in financial engineering (2019/2020)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2019/2020)   6  eLearning
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2019/2020)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic calculus (2019/2020)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2018/2019)   6  eLearning (Parte 2)
(Parte 1)
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2018/2019)   6  eLearning (Teoria)
Laurea magistrale in Mathematics [LM-40] Stochastic differential equations (2018/2019)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2017/2018)   6  eLearning
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2017/2018)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Stochastic differential equations (2017/2018)   6  eLearning
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2016/2017)   6  eLearning
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2016/2017)   6   
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2015/2016)   6    (Teoria 1)
Laurea in Matematica Applicata [L-35] Sistemi stocastici (2015/2016)   6    (Catene di Markov in tempo discreto)
(Analisi di serie temporali)
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2014/2015)   6    (Teoria 1)
(Esercitazioni)
Laurea in Matematica Applicata [L-35] Probabilita' (2014/2015)   6    (Teoria)
Laurea magistrale in Mathematics [LM-40] Mathematical finance (2013/2014)   6    (Teoria 1)
(Esercitazioni)
Laurea in Matematica Applicata [L-35] Probabilita' (2013/2014)   6    (Teoria)
Laurea in Matematica Applicata [L-35] Probabilita' (2012/2013)   6    (Esercitazioni)
(Teoria)
Laurea in Matematica Applicata [L-35] Probabilita' (2011/2012)   6   
Laurea in Informatica [L-31] Probabilita' e statistica (2011/2012)   6    (Teoria)

Di seguito sono elencati gli eventi e gli insegnamenti di Terza Missione collegati al docente:

  • Eventi di Terza Missione: eventi di Public Engagement e Formazione Continua.
  • Insegnamenti di Terza Missione: insegnamenti che fanno parte di Corsi di Studio come Corsi di formazione continua, Corsi di perfezionamento e aggiornamento professionale, Corsi di perfezionamento, Master e Scuole di specializzazione.

Gruppi di ricerca

INdAM - Unità di Ricerca dell'Università di Verona
Raccogliamo qui le attività scientifiche dell'Unità di Ricerca dell'Istituto Nazionale di alta Matematica INdAM presso l'Università di Verona
Competenze
Argomento Descrizione Area di ricerca
Agenti intelligenti L'area di ricerca degli agenti intelligenti si occupa di progettare e sviluppare entita' autonome in grado di percepire, comprendere ed interagire con l'ambiente in cui gli agenti operano. Alcuni degli argomenti di tale area di ricerca sono: pianificazione delle azioni, apprendimento, ragionamento in condizioni di incertezza. Intelligenza Artificiale
Distributed artificial intelligence
Equazioni differenziali stocastiche alle derivate parziali e loro applicazioni La ricerca sulle equazioni differenziali stocastiche alle derivate parziali (SPDEs) e applicazioni ad esse connesse, abbraccia un'ampia gamma di argomenti. Per quanto riguarda i contributi teorici, ci concentriamo su aspetti fondamentali come esistenza, unicità delle soluzioni, misure invarianti ed espansioni asintotiche, con equazioni guidate da rumori di tipo Lévy; mentre, nel caso delle applicazioni, consideriamo problemi di finanza matematica che sfruttano i metodi SPDEs per affrontare sfide come la determinazione del prezzo delle opzioni in condizioni di volatilità stocastica, la valutazione del rischio di controparte e strategie di esecuzione ottimali, spesso impiegando SPDEs in forma avanti-indietro (Forward-Backward SPDEs -> FBSPDEs) e modelli di diffusione con salti. Inoltre, consideriamo applicazioni di controllo e ottimizzazione in sistemi dipendenti dalla storia pregressa (memory dependent), giochi di campo medio e controllo stocastico gestendo l'incertezza tramite programmazione dinamica e modellazione della funzione d'energia del modello stesso. Utilizziamo anche tecniche SPDEs per la previsione dei prezzi dell'elettricità, la modellazione dell'energia eolica e il controllo in robotica e teleoperazione, enfatizzando la passività stocastica e sviluppando un approccio stocastico innovativo ai sistemi port-hamiltoniani. Le applicazioni interdisciplinari si estendono alla biomedicina, alla dinamica delle reti e ai sistemi di particelle interagenti, dimostrando la versatilità di questi strumenti matematici nell'affrontare problemi complessi in campi eterogenei. Metodi e modelli matematici
Stochastic analysis
Giochi a campo medio e applicazioni In questo campo di ricerca si considerano giochi dinamici non-cooperativi, con un elevato numero di giocatori. Con opportune ipotesi di simmetria, il gioco a N giocatori si può approssimare con un gioco limite per un giocatore rappresentativo, detto gioco a campo medio. Tali giochi sono usati per modellare il comportamento collettivo di grandi comunità. Le ricerche riguardano aspetti teorici - esistenza e unicità degli equilibri, convergenza del problema a N giocatori… -, aspetti computazionali - algoritmi per la ricerca di equilibri approssimati - e applicazioni a diverse aree, in particolare Scienze Sociali e Apprendimento Automatico. Metodi quantitativi per l’economia
Game theory, economics, social and behavioral sciences
Previsioni stocastiche alimentati dai dati La "Previsione Stocastica Guidata dai Dati" si concentra sull'integrazione dell'analisi stocastica con metodi data-driven per migliorare la precisione predittiva in sistemi governati da processi casuali. Utilizzando modelli stocastici, come equazioni differenziali stocastiche e serie temporali con componenti di rumore, e calibrandoli attraverso il machine learning su dati osservati, questo campo mira a produrre previsioni probabilistiche robuste. Le applicazioni includono sistemi dinamici in finanza, climatologia ed energia, dove una quantificazione accurata dell’incertezza è essenziale per l'affidabilità delle previsioni e la valutazione del rischio. Sistemi informativi ed analisi dei dati
Stochastic Differential Equations
Problem solving nel contesto dell’intelligenza artificiale I campi di ricerca coperti dall'intelligenza artificiale (IA) e dall'apprendimento automatico a cui siamo interessati abbracciano varie applicazioni in finanza, energia e sistemi di controllo. In finanza, le reti neurali ibride e l'apprendimento profondo (deep learning) vengono applicati a previsioni, gestione del rischio e ottimizzazione degli investimenti, tra cui la previsione del prezzo delle azioni e l'analisi della volatilità. Lo studio dei sistemi legati alla produzione/consumo di ernergia trae vantaggio da modelli basati sull'IA per la previsione del carico, la previsione del prezzo dell'elettricità e la gestione delle energie rinnovabili. I metodi di controllo stocastico, potenziati dalle reti neurali, affrontano le sfide di ottimizzazione in ambienti dinamici e incerti. Le architetture neurali avanzate, come le reti ricorrenti e l'apprendimento multi-obiettivo, migliorano le previsioni delle serie temporali e di domini specifici. Correlate applicazioni interdisciplinari sono l'ingegneria biomedica, in cui l'IA aiuta nell'analisi dei nanofluidi, e la robotica, in cui le reti neurali supportano il controllo del movimento in dinamiche stocastiche. Questi studi enfatizzano l'integrazione dell'IA per risolvere problemi complessi e ad alto impatto sociale. Metodi e modelli matematici
Stochastic analysis
Sistemi Multiagente L'area di ricerca dei sistemi multiagente si occupa di progettare e sviluppare sistemi in cui agenti intelligenti interagiscono tra loro, con l'ambiente e con persone. Questa area di ricerca si folalizza sull'interazione ed integrazione di tecniche di soluzione relative a pianificazione per sistemi multi-agente, apprendimento statistico, apprendimento per rinforzo in sistemi multi-agente e teoria dei giochi. Intelligenza Artificiale
Distributed artificial intelligence
Progetti
Titolo Data inizio
Securing Decentralized Finance and Remote Healthcare Systems - SHIELD 22/10/24
Studio dell'integrazione di strumenti di analisi stocastica con modelli di Machine Learning nel training e nel funzionamento dei Large Language Models (LLM) 07/02/24
Green Inspired Revolution for Optimal-Workforce Management - GIRO-WM 01/11/23
Sviluppo di metodi di Intelligenza Artificiale per supporto vendita polizze assicurative 21/11/22
Stochastic Modelling of Financial Markets aiming to develop new concepts for Goal-Based Investment Solutions during Decumulation Phase 01/05/21
Studio e sviluppo di tecniche di apprendimento automatico per la predizione di dati volta all’ottimizzazione dei processi nel settore delle utilities 22/10/19
Metodi di controllo ottimo stocastico per l'analisi di problemi di debt-management 15/03/17
Energy markets management by stochastic methods 16/01/17
Advanced numerical methods for financial forecasting 12/01/17
Stochastic Approaches for Forecasting and Hedging in Energy Markets 01/12/16
Stochastic Partial Differential Equations and Stochastic Optimal Control with Applications to Mathematical Finance 21/03/16
Metodi di set-valued analysis e di teoria del trasporto ottimo per la modellizzazione di mercati finanziari con costi di transazione in ambito deterministico e stocastico. 12/03/15




Organizzazione

Strutture del dipartimento

Condividi