Statistical physics, network science and machine learning for complex systems.Fisica statistica, scienza delle reti e machine learning per i sistemi complessi.
My research develops principled, physics-inspired models that equip data-driven methods with robustness, interpretability and theoretical foundations, especially when applied to highly interconnected and non-stationary environments.La mia ricerca sviluppa modelli rigorosi, ispirati alla fisica, che danno ai metodi basati sui dati robustezza, interpretabilità e fondamenta teoriche, soprattutto in ambienti molto interconnessi e non stazionari. Full publication list onL’elenco completo delle pubblicazioni è su Google Scholar.
Continuous-time models of interactions that change over time: maximum-entropy temporal networks, point processes and network evolution in financial markets.Modelli a tempo continuo per interazioni che cambiano nel tempo: reti temporali a massima entropia, processi di punto ed evoluzione delle reti nei mercati finanziari.
Stability of large interacting systems, contagion processes and liquidity cascades, and what finite data can and cannot tell us about them.Stabilità dei grandi sistemi interagenti, processi di contagio e cascate di liquidità, e cosa i dati finiti possono e non possono dirci su di essi.
Random matrix theory and disordered systems to extract signal from noise in high-dimensional data and to read the curvature of loss landscapes, and physics-informed neural networks (PINNs) for option pricing and volatility calibration under no-arbitrage constraints.Teoria delle matrici aleatorie e sistemi disordinati per separare il segnale dal rumore nei dati ad alta dimensione e leggere la curvatura dei paesaggi di loss, e reti neurali informate dalla fisica (PINN) per il pricing di opzioni e la calibrazione della volatilità con vincoli di non arbitraggio.
How optimisers shape training dynamics, learning under non-stationarity, and second-order methods that exploit the structure of the curvature.Come gli ottimizzatori plasmano la dinamica dell’addestramento, l’apprendimento in condizioni non stazionarie e i metodi del secondo ordine che sfruttano la struttura della curvatura.
Each card opens an interactive page that runs the model in your browser, with nothing to install.Ogni scheda apre una pagina interattiva che fa girare il modello nel browser, senza installare nulla.
Fit time-layer × maximum-entropy mark-layer models (Poisson, NHPP, Hawkes; DWCM, block models) to temporal networks, on synthetic data or your own edge lists.Stima modelli con strato temporale × strato a massima entropia (Poisson, NHPP, Hawkes; DWCM, modelli a blocchi) su reti temporali, sintetiche o caricate da te.
Multivariate Ornstein–Uhlenbeck systems just past May’s instability: simulate them, estimate the drift by maximum likelihood, and see how long it takes for the data to reveal the instability. Bring your own time series too.Sistemi di Ornstein–Uhlenbeck multivariati appena oltre l’instabilità di May: simulali, stima la deriva per massima verosimiglianza e guarda quanto tempo serve perché i dati rivelino l’instabilità. Puoi anche caricare le tue serie storiche.
InteractiveInterattivo · 2014 MATLAB codeCodice MATLAB del 2014
Derivative-constrained physics-informed networks turn noisy option marks into a price surface that satisfies Dupire’s equation and never shows call-spread, butterfly or calendar arbitrage. A Black–Scholes benchmark and an equity-skew case.Le reti informate dalla fisica con vincoli sulle derivate trasformano quotazioni rumorose in una superficie di prezzi che soddisfa l’equazione di Dupire e non mostra arbitraggi di call spread, butterfly o calendario. Un caso Black–Scholes e uno con skew azionario.
Train small networks with SGD, Adam, SAM or Gauss–Newton on classification, regression or PINN objectives, and follow the Hessian spectrum, eigenvector displacement, localisation, gradient alignment and layer-wise curvature.Addestra piccole reti con SGD, Adam, SAM o Gauss–Newton su classificazione, regressione o obiettivi PINN, e segui spettro dell’Hessiana, spostamento e localizzazione degli autovettori, allineamento col gradiente e curvatura per strato.
All code on GitHubTutto il codice su GitHub
Part of the EIGENDATA project, working on eigenvector statistics in random matrix ensembles and their application to physics-informed neural networks, and on how optimisers move and localise the leading Hessian eigenvectors during training (Fa parte del progetto EIGENDATA e studia la statistica degli autovettori negli ensemble di matrici aleatorie e la sua applicazione alle reti neurali informate dalla fisica, e come gli ottimizzatori spostano e localizzano i principali autovettori dell’Hessiana durante l’addestramento (arXiv:2606.30226).
Introduced Whack-a-mole Online Learning (WamOL), a physics-informed approach to real-time implied volatility surface calibration that enforces no-arbitrage and PDE constraints within deep learning models for option pricing, and derivative-constrained PINNs (DC-PINNs) that enforce no-arbitrage conditions (Ha introdotto il Whack-a-mole Online Learning (WamOL), un approccio informato dalla fisica alla calibrazione in tempo reale della superficie di volatilità implicita, che impone vincoli di non arbitraggio e di PDE nei modelli di deep learning per il pricing di opzioni, e le PINN con vincoli sulle derivate (DC-PINN) che impongono le condizioni di non arbitraggio (arXiv:2604.13723).
For the UCL seminar series, seePer la serie di seminari UCL, vedi OutreachDivulgazione.
I obtained my PhD in Theoretical Physics from Sapienza University of Rome, working on the statistical physics of disordered systems. My focus has since moved to the intersection of physics, network theory and machine learning, applied especially to economics and finance, collaborating across disciplines on questions of stability, inference and predictability. I am now Associate Professor in the Department of Computer Science at UCL.Ho conseguito il dottorato in Fisica Teorica alla Sapienza Università di Roma, lavorando sulla fisica statistica dei sistemi disordinati. Da allora mi sono spostato all’incrocio tra fisica, teoria delle reti e machine learning, con applicazioni soprattutto all’economia e alla finanza, collaborando tra discipline su stabilità, inferenza e prevedibilità. Oggi sono professore associato al Department of Computer Science di UCL.