data.js

/* ==========================================================================
   Contenuti del sito, in italiano e in inglese.
   È l'unico file da toccare per aggiornare testi, progetti ed esperienze.

   Fonte dei contenuti: SIMONE WIKI/Profilo/ (formazione, esperienze-professionali,
   competenze-strumenti, progetti) e SIMONE WIKI/Progetti/.

   Struttura di un progetto:
     slug         identificativo nell'URL, #/progetti/<slug>
     locator      numero di catalogo mostrato nella scheda
     title        titolo
     subtitle     una riga che dice cosa fa
     category     usata dal filtro nella pagina Progetti
     period, role, status, featured (true = compare in home)
     stack        elenco di strumenti
     context      perché il problema è interessante
     approach     cosa è stato fatto
     metrics      da 2 a 4 voci { label, value, note }
     results      cosa è venuto fuori
     limitations  cosa il lavoro NON dice
     notes        fonti citate, mostrate nella colonna laterale
   ========================================================================== */

const SITE_DATA_IT = {

  person: { name: "Simone Rizzuti", city: "TORINO", grad: "DISP. OTT 2026" },

  intro: {
    p1: "Laureando magistrale in Economia e Finanza presso l'Università Ca' Foscari di Venezia",
    p2: "Ho un forte interesse per la finanza e i mercati, soprattutto per l'analisi finanziaria e la valutazione d'impresa. Nei miei progetti analizzo dati e costruisco modelli quantitativi, integrando in alcuni casi modelli di intelligenza artificiale.",
    meta: "Laureando magistrale in Economia e Finanza presso l'Università Ca' Foscari, dopo un semestre di scambio al Geneva Graduate Institute. Il mio percorso di studi si concentra sull'analisi aziendale, sullo studio dei mercati e sulla regolamentazione finanziaria, con particolare interesse all'integrazione di modelli quantitativi e di intelligenza artificiale.",
    sources: "Shiller (Yale), SEC EDGAR, COVIP, INPS, ISTAT.",
    contactNote: "Rispondo entro 24 ore nei giorni feriali.",
    notFound: "non corrisponde ad alcuna pagina di questo sito."
  },


  projects: [
    {
      slug: "valutazioni-estreme", locator: "1.1",
      title: "CAPE e rendimenti futuri dell'S&P 500",
      shortTitle: "Valutazioni estreme e rendimenti futuri",
      subtitle: "A partire dalle serie storiche di Shiller dal 1881 al 2026, lo studio analizza la distribuzione dei rendimenti reali a uno, tre, cinque e dieci anni nei periodi caratterizzati dai livelli più elevati del CAPE.",
      category: "Mercati", period: "luglio 2026", aggiornamento: "2026-07-03", role: "Progetto individuale", status: "Concluso", featured: true,
      stack: ["Python", "Codex", "Serie Shiller", "Bootstrap"],
      tools: ["python"],
      lastUpdate: "3 luglio 2026",
      context: "Nei dieci anni conclusi a luglio 2026, il mercato azionario statunitense ha registrato un rendimento reale annuo dell'11,3%, rispetto a una mediana storica del 7,0%. Nello stesso mese il CAPE di Shiller ha raggiunto 39,5, un valore superiore al 98,5% delle osservazioni disponibili dal 1881. Il progetto analizza cosa è accaduto storicamente ai rendimenti dopo periodi caratterizzati da valutazioni così elevate e valuta quanto sia ragionevole considerare l'ultimo decennio come riferimento per i prossimi dieci anni. Poiché esiste un solo episodio storico completo con un CAPE vicino a 40, durante la bolla dot com, l'analisi amplia il campione al decile più elevato della distribuzione, corrispondente a valori superiori a 28,2 e a 66 finestre sovrapposte della durata di dieci anni.",
      approach: "L'analisi misura i rendimenti reali totali registrati a uno, tre, cinque e dieci anni dopo i periodi in cui il CAPE rientra nel decile più elevato. Tre modelli di regressione stimano poi il rendimento dei dieci anni successivi utilizzando, rispettivamente, il CAPE, il suo inverso e l'Excess CAPE Yield, mentre un bootstrap a blocchi mobili tiene conto della sovrapposizione tra le osservazioni. L'analisi viene completata da un event study su sei picchi storici, confrontando i rendimenti successivi, le perdite massime registrate e il tempo necessario per recuperarle.",
      metrics: [
        { label: "CAPE oggi", value: "39,5", note: "98,5° percentile dal 1881" },
        { label: "Mediana a 10 anni", value: "−0,4%", note: "reale, dal decile più caro" },
        { label: "P(rendimento negativo)", value: "55%", note: "a 10 anni, 36 casi su 66" },
        { label: "Ultimo decennio", value: "+11,3%", note: "reale annuo, luglio 2016–luglio 2026" }
      ],
      results: "Un CAPE elevato non è stato necessariamente seguito da perdite nel breve periodo, dato che nel decile di valutazione più alto il rendimento reale mediano dopo un anno rimane pari al 9,9%. Su un orizzonte di dieci anni il quadro cambia sensibilmente. Il rendimento mediano scende a meno 0,4% e il 55% dei periodi termina con un rendimento reale negativo. Anche le tre regressioni indicano rendimenti attesi inferiori all'11,3% registrato nell'ultimo decennio, ma le stime differiscono tra loro e gli intervalli restano troppo ampi per formulare una previsione precisa.",
      limitations: "Il principale limite dell'analisi è il numero ridotto di precedenti realmente indipendenti, poiché nella serie storica esiste un solo episodio completo con un CAPE vicino a 40. Inoltre, le 66 finestre della durata di dieci anni si sovrappongono e non possono quindi essere considerate osservazioni del tutto indipendenti. I risultati devono essere interpretati come evidenza di una relazione storica tra valutazioni e rendimenti successivi, non come una previsione puntuale dell'andamento futuro.",
      notes: [
        "Robert J. Shiller, Online Data, serie mensile 1871–2026, scaricata il 3 luglio 2026. Il CAPE comincia nel 1881 perché richiede dieci anni precedenti di utili.",
        "Excess CAPE Yield secondo la definizione introdotta da Shiller e coautori nel 2020.",
        "Controprova interna sul calcolo dei rendimenti forward, errore assoluto medio pari a zero."
      ],
      // Tre grafici, tre passaggi: da dove parte la domanda, cosa dice la
      // distribuzione, come sono andati gli episodi singoli. Nessuna galleria:
      // ognuno dice una cosa che gli altri due non dicono.
      images: [
        {
          src: "assets/valutazioni-estreme/storia.png", w: 1170, h: 585,
          tab: "Il punto di partenza",
          alt: "Il CAPE di Shiller mese per mese dal 1881 al 2026. La linea di oggi, a 39, corre sopra il picco del 1929, fermo a 33, e sotto il massimo del dicembre 1999, pari a 44. Tre fasce rosa segnano i periodi passati sopra la soglia del decile più caro.",
          caption: "Il CAPE raggiunge 39,5 a luglio 2026, sopra il picco del 1929, pari a 32,6, e sotto il massimo di 44,2 registrato nel dicembre 1999. Le aree evidenziate mostrano i tre periodi trascorsi nel decile di valutazione più elevato, cioè il 1929, la bolla dot-com e la fase iniziata nel 2017."
        },
        {
          src: "assets/valutazioni-estreme/orizzonti.png", w: 1170, h: 598,
          tab: "Cosa aspettarsi",
          alt: "Distribuzione dei rendimenti reali annualizzati a 1, 3, 5 e 10 anni dopo un acquisto effettuato nel decile di valutazione più caro. La mediana scende da +9,9% a −0,4% e la probabilità di perdita sale dal 31% al 55%.",
          caption: "La distribuzione dei rendimenti cambia con l'orizzonte. La mediana passa dal 9,9% reale dopo un anno a meno 0,4% dopo dieci, mentre la probabilità di perdita sale dal 31% al 55%. Le barre chiare delimitano gli esiti fra il 10° e il 90° percentile, mentre quelle scure mostrano la fascia centrale dal 25° al 75°."
        },
        {
          src: "assets/valutazioni-estreme/episodi.png", w: 1170, h: 650,
          tab: "Come è andata",
          alt: "Rendimento reale totale nei dieci anni successivi a sei picchi di valutazione, indicizzato a 100 nel mese del picco. Dopo il 1999 l'indice resta sotto quota 100 per quasi tutto il periodo, mentre dopo il 2007 lo supera stabilmente.",
          caption: "Le linee mostrano il rendimento reale totale dopo sei picchi di valutazione, partendo da un valore comune pari a 100. Dopo il 1999 sono serviti tredici anni e tre mesi per tornare in pari, mentre dopo il 2007 il decennio ha reso il 5,2% annuo nonostante una discesa massima del 49%. La linea tratteggiata rappresenta l'episodio ancora aperto, iniziato nel novembre 2021."
        }
      ],
      // dataAsOf: la data del dato, non quella della pagina. Serve a chi verifica
      // fra un anno e trova numeri diversi: sono cambiati i dati, non c'è un errore.
      dataAsOf: "Shiller, scaricati il 3 luglio 2026 (serie 1871–2026)",
      links: [
        // attivo: false finché il repository non è pubblico. I link morti non si pubblicano.
        { label: "Codice dell'analisi", tipo: "GITHUB", url: "https://github.com/simonerizzuti/cape-next-decade", attivo: true },
        { label: "Serie storica di Robert Shiller", tipo: "Dati", url: "https://shillerdata.com/", attivo: true }
      ]
    },

    {
      slug: "previdenza-vs-etf", locator: "1.2",
      title: "Analisi comparata tra fondi pensione ed ETF nella pianificazione pensionistica",
      subtitle: "La tesi mette a confronto fondo pensione ed ETF in una prospettiva di lungo periodo, dall'inizio dell'attività lavorativa al pensionamento, analizzando come fiscalità, contratto di lavoro e longevità possano incidere sulla scelta oltre al semplice rendimento.",
      category: "Previdenza", period: "febbraio 2026", role: "Tesi magistrale, in corso", status: "In lavorazione", featured: false,
      stack: ["Excel", "COVIP", "MSCI", "INPS", "ISTAT"],
      tools: ["foglio"],
      context: "Il fondo pensione offre vantaggi fiscali, può beneficiare del contributo del datore di lavoro e permette di trasformare il capitale accumulato in una rendita vitalizia, ma impone maggiori vincoli sull’accesso alle somme versate. L’ETF lascia invece il patrimonio più facilmente disponibile e trasferibile agli eredi, senza offrire gli stessi benefici fiscali né una protezione dal rischio di esaurire il capitale durante la pensione. Per questo, il confronto non può basarsi soltanto sui rendimenti, ma deve considerare anche il reddito, le condizioni contrattuali, il TFR e la durata del periodo di pensionamento.",
      approach: "Nel fondo pensione confluiscono i contributi versati dal lavoratore e il TFR, mentre nello scenario ETF viene investito lo stesso esborso personale e il TFR rimane in azienda. Il modello segue entrambe le strategie dalla fase di accumulo fino alla pensione, applicando a ciascuna le relative regole fiscali e modalità di erogazione. Il confronto tiene conto sia delle somme percepite durante la pensione sia del patrimonio che rimane agli eredi, così da valutare la rendita vitalizia del fondo e il capitale disponibile nell’ETF sullo stesso orizzonte temporale. Le ipotesi utilizzate nel modello derivano da dati istituzionali, condizioni dei prodotti e normativa vigente.",
      metrics: [
        { label: "Confronto", value: "FP vs ETF", note: "a parità di esborso" },
        { label: "Modello", value: "Excel", note: "deterministico, sui flussi netti" },
        { label: "Fonti dati", value: "COVIP MSCI INPS", note: "comparti, indice, coefficienti" },
        { label: "Base normativa", value: "D.Lgs. 252/2005", note: "con il TUIR e la legge di bilancio 2026" }
      ],
      results: "Il contributo del datore di lavoro rende il fondo pensione più conveniente in molti scenari, mentre una durata più breve della pensione tende a lasciare una quota maggiore del patrimonio ETF agli eredi. Anche il reddito e l’età di adesione incidono sul risultato, modificando il vantaggio relativo delle due strategie. Il modello non individua quindi una soluzione migliore in assoluto, ma mostra in quali condizioni ciascuna alternativa può risultare più favorevole. I risultati completi saranno pubblicati dopo la discussione della tesi, prevista per ottobre 2026.",
      limitations: "Il modello assume rendimenti costanti e non considera l’inflazione, mentre l’effetto della sequenza dei rendimenti viene analizzato separatamente. Durante la pensione il capitale viene trasferito in titoli di Stato a breve scadenza, quindi le oscillazioni dei mercati non vengono incluse in questa fase della simulazione. Le anticipazioni vengono considerate nell’analisi ma non simulate, mentre il riscatto totale resta escluso dal modello. Il trattamento fiscale riflette la normativa in vigore nel 2026 e potrà quindi cambiare nel tempo.",
      notes: [
        "D.Lgs. 5 dicembre 2005, n. 252, disciplina delle forme pensionistiche complementari.",
        "COVIP, relazione annuale, rendimenti netti dei comparti.",
        "Relatrice Prof.ssa Agar Brugiavini, Università Ca' Foscari."
      ]
    },

    {
      slug: "bitcoin-2030", locator: "1.4",
      title: "Previsione probabilistica del prezzo di Bitcoin",
      subtitle: "Il progetto confronta le aspettative dei partecipanti sul prezzo futuro di Bitcoin con una previsione prodotta dall’AI, costruita combinando dati storici e fattori economici, normativi e di mercato. L’obiettivo è esplorare come previsioni umane e modelli di intelligenza artificiale possano offrire prospettive diverse e complementari.",
      category: "Mercati", period: "maggio 2026", aggiornamento: "2026-05-19", role: "Progetto individuale, IHEID", status: "Concluso", featured: true,
      stack: ["Python", "Claude Code", "Obsidian", "TimesFM"],
      tools: ["python", "claude", "obsidian"],
      lastUpdate: "19 maggio 2026",
      context: "Il progetto finale del corso Predicting Crises, al Geneva Graduate Institute, stima il prezzo di Bitcoin al 31 dicembre 2030 combinando una previsione collettiva con una stima prodotta dall’intelligenza artificiale. La componente umana si basa su un mercato di previsione in cui 72 partecipanti esprimono le proprie aspettative scegliendo tra diversi intervalli di prezzo, mentre la componente AI costruisce una distribuzione alternativa a partire dai dati storici. Le due previsioni vengono infine integrate per individuare l’intervallo di prezzo con la probabilità più elevata.",
      approach: "Claude Code è stato utilizzato come ambiente di lavoro per sviluppare il progetto e integrare TimesFM, il modello di Google DeepMind dedicato alla previsione delle serie temporali. TimesFM utilizza gli ultimi 1.024 giorni del prezzo di Bitcoin per produrre una previsione puntuale al 2030. Poiché su un orizzonte così lungo gli intervalli previsivi del modello collassano, l’incertezza viene ricostruita utilizzando la volatilità storica dei rendimenti di Bitcoin e distribuita su cinque fasce di prezzo. La distribuzione ottenuta viene poi aggiornata attraverso dieci fattori strutturali documentati nell’archivio, tra cui regolamentazione, domanda degli ETF e ciclo degli halving, traducendo il loro impatto in rapporti di verosimiglianza. Nell’ultimo passaggio, la distribuzione del modello viene combinata a pesi uguali con quella del mercato di previsione, operando nello spazio dei log odds.",
      metrics: [
        { label: "Orizzonte", value: "31 dicembre 2030", note: "previsione su cinque fasce di prezzo" },
        { label: "Fattori strutturali", value: "10", note: "ciascuno documentato e tradotto in rapporti di verosimiglianza" },
        { label: "Differenza fra persone e AI", value: "59 punti", note: "86,6% contro 28,0% fra 75 e 150 mila dollari" },
        { label: "Risultato finale", value: "66%", note: "fascia fra 75 e 150 mila dollari" }
      ],
      results: "Le scelte dei 72 partecipanti concentrano l’86,6% della probabilità nella fascia compresa tra 75 e 150 mila dollari. La previsione prodotta dal modello AI presenta invece una distribuzione diversa, assegnando il 28,0% alla stessa fascia e il 40,4% a valori inferiori a 75 mila dollari. La combinazione a pesi uguali mantiene l’intervallo favorito dai partecipanti come risultato più probabile, ma ne riduce la probabilità al 66%. La distribuzione finale assegna inoltre il 15% a valori inferiori a 75 mila dollari, il 14% alla fascia tra 150 e 275 mila e il restante 5% a valori superiori a 275 mila dollari.",
      limitations: "I rapporti di verosimiglianza associati ai dieci fattori strutturali derivano da valutazioni tradotte in valori numerici e non da stime ottenute direttamente dai dati, quindi ipotesi diverse potrebbero modificare la distribuzione finale. Anche la combinazione tra componente AI e previsione collettiva mette insieme evidenze di natura diversa e non deve essere interpretata come un unico modello statistico. La componente umana deriva inoltre da una simulazione durata diciotto giorni e priva di denaro reale, per cui la forte concentrazione dell’86,6% in una sola fascia potrebbe riflettere anche un certo allineamento tra i partecipanti. TimesFM utilizza esclusivamente la serie dei prezzi e la previsione si estende per oltre quattro anni e mezzo, quindi il risultato finale rappresenta uno scenario condizionato dalle ipotesi adottate più che una stima calibrata del prezzo futuro.",
      // Tre immagini, tre passaggi. Il diagramma dice come è fatto il lavoro, il
      // secondo grafico cosa fanno i dieci fattori, il terzo dove modello e
      // mercato non erano d'accordo. Sono generate da Python in lavorazione/.
      images: [
        {
          src: "assets/bitcoin-2030/forecast-infographic.svg", w: 1170, h: 585,
          tab: "Il processo",
          alt: "Il diagramma ricostruisce in quattro passaggi la previsione di Bitcoin al 2030, partendo dalle scelte di 72 partecipanti, che producono una distribuzione su cinque fasce, e dal modello AI, formato da TimesFM e dieci fattori strutturali. Le due previsioni vengono combinate a pesi uguali e assegnano il 66% alla fascia fra 75 e 150 mila dollari.",
          caption: "Le aspettative dei partecipanti e il modello AI seguono percorsi separati fino alla combinazione, mentre dentro il modello TimesFM costruisce la base quantitativa e i fattori documentati aggiornano la probabilità assegnata a ciascuna fascia."
        },
        {
          src: "assets/bitcoin-2030/fattori.png", w: 1170, h: 598,
          tab: "Il metodo",
          alt: "Il grafico a barre confronta la distribuzione iniziale di TimesFM con quella aggiornata dai dieci fattori sulle cinque fasce di prezzo. Dopo l’aggiornamento, la probabilità sotto i 75 mila dollari scende dal 57,3% al 40,4%, mentre le due fasce fra 75 e 275 mila salgono rispettivamente dal 15,7% al 28,0% e dal 10,8% al 22,0%. La fascia fra 275 e 500 mila resta vicina al 7%, mentre quella sopra 500 mila scende dall’8,7% al 2,7%.",
          caption: "I dieci fattori spostano la distribuzione di TimesFM dai due estremi verso le fasce centrali, con l’aumento maggiore nella fascia fra 150 e 275 mila dollari, che passa dal 10,8% al 22,0%, mentre la probabilità sopra 500 mila si riduce dall’8,7% al 2,7%."
        },
        {
          src: "assets/bitcoin-2030/confronto.png", w: 1170, h: 598,
          tab: "Il risultato",
          alt: "Il grafico a barre confronta le tre previsioni sulle cinque fasce, con l’87% dei partecipanti fra 75 e 150 mila dollari, il 28% del modello AI e il 66% della combinazione. Sotto i 75 mila, le tre probabilità sono rispettivamente il 4%, il 40% e il 15%.",
          caption: "Partecipanti e modello divergono soprattutto sotto i 150 mila dollari, mentre la combinazione mantiene la fascia fra 75 e 150 mila come esito più probabile, con il 66%."
        }
      ],
      dataAsOf: "presentazione del maggio 2026, prezzi Bitcoin fino al 12 maggio 2026",
      links: [
        { label: "Presentazione PDF", tipo: "Documento", url: "docs/bitcoin-2030-presentazione.pdf", attivo: true },
        // attivo: false finché il repository non è pubblico. I link morti non si pubblicano.
        { label: "Codice del modello", tipo: "GITHUB", url: "https://github.com/simonerizzuti/btc-2030-hybrid-forecast", attivo: true },
        { label: "TimesFM – Google DeepMind (GitHub)", tipo: "Modello", url: "https://github.com/google-research/timesfm", attivo: true }
      ]
    },

    {
      slug: "aiuti-alimentari-conflitti", locator: "1.5",
      title: "Estensione econometrica dello studio di Nunn e Qian (2014)",
      subtitle: "Partendo dalla stima 2SLS di Nunn e Qian sugli aiuti alimentari ricevuti dai paesi del campione, il progetto ne replica i risultati e verifica come cambiano introducendo un’interazione tra gli aiuti e un indicatore della qualità istituzionale.",
      category: "Econometria", period: "maggio 2026", aggiornamento: "2026-05-27", role: "Paper finale, IHEID", status: "Concluso", featured: true,
      stack: ["R", "IV / 2SLS", "Panel data"],
      tools: ["r"],
      lastUpdate: "27 maggio 2026",
      context: "Gli aiuti alimentari statunitensi aumentano il rischio di conflitto civile nei paesi che li ricevono? Una semplice correlazione non permette di rispondere, perché gli aiuti tendono ad arrivare proprio nei paesi che stanno già attraversando una crisi. Nunn e Qian affrontano questo problema sfruttando le variazioni nella produzione statunitense di grano dell’anno precedente, combinate con la diversa propensione storica dei paesi a ricevere aiuti. Il progetto ricostruisce la loro strategia empirica utilizzando i dati originali e verifica poi se l’effetto stimato degli aiuti varia in base alle istituzioni politiche del paese destinatario.",
      approach: "La replica ricostruisce la specificazione 2SLS sul panel originale, mantenendo lo stesso campione, gli effetti fissi e i controlli utilizzati nello studio pubblicato. L’estensione introduce la qualità delle istituzioni politiche per verificare se l’effetto degli aiuti cambia tra contesti più autocratici e più democratici. Poiché sia gli aiuti sia la loro interazione con le istituzioni sono trattati come endogeni, entrambi vengono strumentati, mentre la qualità istituzionale entra anche separatamente nel modello. La robustezza dei risultati viene verificata modificando sia la misura delle istituzioni sia il periodo in cui vengono osservate. L’intera analisi è infine raccolta in un unico script che genera tabelle e figure e controlla la coerenza dei risultati, rendendo il processo completamente riproducibile.",
      metrics: [
        { label: "Replica", value: "0,00254", note: "uguale al coefficiente pubblicato" },
        { label: "Interazione con Polity", value: "p = 0,419", note: "misura continua, 3.858 osservazioni" },
        { label: "Misura originale", value: "p = 0,872", note: "coefficiente replicato: 0,00043" },
        { label: "Test Anderson–Rubin", value: "p = 0,489", note: "lo zero resta nell'insieme proiettato" }
      ],
      results: "La replica conferma l’effetto positivo stimato nel lavoro originale tra aiuti alimentari e conflitti civili, mentre il placebo sui conflitti tra Stati continua a non mostrare alcun effetto. Nell’estensione, la stima puntuale suggerisce che l’impatto degli aiuti possa ridursi in presenza di istituzioni più democratiche, ma l’interazione è troppo imprecisa per identificare una differenza statisticamente affidabile tra i diversi regimi. La conclusione rimane invariata quando le istituzioni vengono misurate in periodi diversi o utilizzando definizioni alternative. Anche la misura binaria adottata nello studio originale porta allo stesso risultato e non evidenzia differenze sistematiche. Nel complesso, l’analisi conferma la riproducibilità dell’effetto medio pubblicato, ma non trova evidenza sufficientemente solida di un effetto diverso tra autocrazie e democrazie.",
      limitations: "La strategia empirica originale identifica l’effetto combinando le variazioni nella produzione statunitense di grano con la diversa esposizione storica dei paesi agli aiuti, ma questa impostazione è stata criticata perché potrebbe catturare anche dinamiche specifiche dei singoli paesi. Replicare la stima pubblicata conferma che il risultato può essere riprodotto, ma non dimostra da solo che la restrizione di esclusione sia valida. Inoltre, i conflitti civili possono influenzare a loro volta le istituzioni politiche, quindi utilizzare misure precedenti delle istituzioni riduce il problema della causalità inversa ma modifica anche l’effetto che viene stimato. Gli strumenti utilizzati per l’interazione risultano inoltre relativamente deboli, per cui l’inferenza si basa soprattutto su un test robusto a identificazione debole, che non permette comunque di escludere un effetto nullo. Infine, i dati riguardano gli aiuti statunitensi in grano in un determinato campione storico e non possono essere estesi automaticamente a tutte le forme di assistenza umanitaria.",
      notes: [
        "Nathan Nunn e Nancy Qian, US Food Aid and Civil Conflict, American Economic Review 104(6), 2014, 1630-66.",
        "Il test di eterogeneità dell'originale sta nella loro Tabella 12, colonna 4.",
        "Paul Christian e Christopher Barrett, Revisiting the Effect of Food Aid on Conflict, 2017.",
        "Matthew Ribar, Feeding Conflict?, Journal of Global Security Studies, 2025.",
        "Corso Statistics for International Relations Research II, Geneva Graduate Institute."
      ],
      // Quattro figure, quattro passaggi: replica esatta, gradiente impreciso,
      // confronto con la misura originale e sensibilità a moderatori predeterminati.
      images: [
        {
          src: "assets/aiuti-alimentari-conflitti/replica.png", w: 1168, h: 708,
          tab: "La replica tiene",
          alt: "Il grafico confronta le stime ottenute per il conflitto civile, per qualunque conflitto e per i conflitti fra Stati con i valori pubblicati da Nunn e Qian. Le croci rosse coincidono quasi con i primi due coefficienti, mentre il placebo rimane vicino allo zero.",
          caption: "La replica usa il campione completo del lavoro originale e ritrova le stime pubblicate per il conflitto civile e per qualunque conflitto. Le croci rosse indicano i valori dell'articolo, mentre l'ultima riga mostra il placebo sui conflitti fra Stati, che rimane nullo."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/regime.png", w: 1168, h: 708,
          tab: "Il gradiente",
          alt: "Il grafico mostra come cambia l'effetto stimato degli aiuti lungo la scala delle istituzioni politiche. La linea scende verso i regimi più democratici, ma la banda di confidenza è ampia e comprende lo zero.",
          caption: "Le stime indicano un effetto più contenuto nei regimi più democratici, ma l'interazione fra aiuti e regime politico rimane imprecisa. Un effetto significativo in un punto della scala non basta a dimostrare una differenza fra regimi, perché il test rilevante riguarda la pendenza e non respinge lo zero."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/misura.png", w: 1168, h: 655,
          tab: "Due misure delle istituzioni",
          alt: "Il grafico confronta la stima ottenuta con la scala annuale delle istituzioni politiche con quella basata sull'indicatore binario usato da Nunn e Qian, che separa i paesi con punteggi medi più alti e più bassi. Entrambi gli intervalli di confidenza comprendono lo zero.",
          caption: "Le due misure verificano se l'effetto degli aiuti cambia con le istituzioni politiche, ma lo fanno in modo diverso. La prima segue le variazioni annuali, mentre la seconda divide i paesi in due gruppi usando il loro punteggio medio. Nessuna delle due rileva una differenza affidabile fra regimi."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/sensibilita.png", w: 1168, h: 708,
          tab: "La sensibilità",
          alt: "Il grafico confronta le stime ottenute misurando le istituzioni nello stesso anno del conflitto, nell'anno precedente e con due medie storiche. Gli intervalli di confidenza includono sempre lo zero.",
          caption: "La conclusione non cambia quando la misura delle istituzioni viene spostata indietro nel tempo o sostituita con una media storica. In ogni specificazione, la differenza stimata fra regimi rimane piccola rispetto alla sua incertezza e non può essere distinta dallo zero."
        }
      ],
      dataAsOf: "Archivio di replica dell'AEA per Nunn e Qian 2014, panel 1971–2006",
      links: [
        { label: "Versione estesa del mio paper", tipo: "PDF, 10 pagine", url: "docs/aiuti-alimentari-conflitti-paper.pdf", attivo: true },
        // attivo: false finché il repository non è pubblico. I link morti non si pubblicano.
        { label: "Codice dell'analisi", tipo: "GITHUB", url: "https://github.com/simonerizzuti/food-aid-conflict", attivo: true },
        { label: "Articolo originale su AEA", tipo: "Fonte", url: "https://www.aeaweb.org/articles?id=10.1257/aer.104.6.1630", attivo: true }
      ]
    },

    {
      slug: "eviso-analisi-bilancio", locator: "1.6",
      title: "Analisi di bilancio tra metodo tradizionale e intelligenza artificiale",
      subtitle: "Il lavoro confronta l’analisi di bilancio tradizionale con quella elaborata dal modello GPT-4o di OpenAI, utilizzando eVISO S.p.A. come caso di studio.",
      category: "Analisi di bilancio", period: "settembre 2024", aggiornamento: "2024-09-01", role: "Tesi triennale", status: "Concluso", featured: false,
      stack: ["Excel", "GPT-4o", "Python", "Codex"],
      tools: ["foglio", "python"],
      lastUpdate: "21 agosto 2026",
      context: "La tesi nasce dall’aggiornamento introdotto nel maggio 2024, che ha consentito a GPT-4o di elaborare documenti e grafici e ha reso possibile applicare il modello direttamente a un bilancio reale. L’analisi utilizza eVISO come caso di studio, una società energetica quotata che impiega una piattaforma proprietaria di intelligenza artificiale nelle previsioni e nelle operazioni di mercato. La tecnologia assume quindi un doppio ruolo, entrando sia nell’attività dell’impresa sia nello strumento utilizzato per analizzarne i risultati finanziari. L’obiettivo è valutare se l’automazione possa rendere l’analisi di bilancio più rapida ed efficiente senza sostituire le competenze necessarie per selezionare le informazioni rilevanti, scegliere i criteri di analisi e interpretare correttamente i risultati.",
      approach: "La prima parte della tesi introduce i principali documenti di bilancio, le riclassificazioni e gli indicatori utilizzati per valutare redditività, struttura patrimoniale e situazione finanziaria. Questi strumenti vengono poi applicati a eVISO per gli esercizi 2021 e 2022, utilizzando i prospetti riclassificati pubblicati dalla società e calcolando undici indicatori. In parallelo, ChatGPT riceve i fascicoli relativi al 2022 e al 2023 con il compito di analizzare la situazione economica, patrimoniale e finanziaria dell’impresa. Nel 2026 l’analisi tradizionale è stata estesa al 2023 e affiancata da uno script Python che verifica, sugli stessi esercizi e attraverso formule esplicite, i sedici risultati prodotti da GPT-4o nella tesi originale. In questo modo è possibile distinguere gli errori di calcolo dalle differenze che derivano dalla scelta di formule o criteri di analisi diversi.",
      metrics: [
        { label: "Caso studiato", value: "eVISO S.p.A.", note: "quotata su Euronext Growth Milan" },
        { label: "Indici a confronto", value: "16 coppie", note: "8 indicatori, 2 esercizi" },
        { label: "Letture identiche", value: "10 su 16", note: "stesso valore al centesimo" },
        { label: "Dove cambia la conclusione", value: "1 indicatore", note: "il grado di indebitamento" }
      ],
      results: "Tra il 2021 e il 2022 eVISO quasi triplica i ricavi, ma passa da un utile a una perdita netta nonostante il risultato operativo rimanga positivo. Il confronto sviluppato nel 2026 mostra che GPT-4o restituisce dieci valori identici su sedici per gli esercizi 2022 e 2023, anche se alcuni degli indicatori erano già riportati nei fascicoli forniti al modello. Tre delle differenze osservate dipendono dal denominatore utilizzato nel calcolo del ROS e della rotazione del capitale e riflettono quindi definizioni alternative, non errori di calcolo. Una differenza più rilevante emerge invece nel grado di indebitamento, perché il modello considera soltanto le passività consolidate e descrive eVISO come poco indebitata, mentre includendo anche le passività correnti il debito complessivo supera di oltre due volte e mezzo il patrimonio netto. Un ulteriore valore relativo alla liquidità non risulta riproducibile. Nel complesso, i risultati coincidono soprattutto quando dati e formule sono già chiaramente definiti, mentre l’affidabilità diminuisce quando il modello deve scegliere autonomamente il criterio da applicare e motivarne l’utilizzo.",
      limitations: "Un singolo caso aziendale non permette di generalizzare i risultati, soprattutto perché eVISO presenta una struttura di bilancio relativamente semplice e non dispone di magazzino. Inoltre, alcuni degli indicatori richiesti a GPT-4o erano già presenti nei fascicoli forniti al modello, rendendo difficile stabilire se siano stati calcolati oppure semplicemente estratti dai documenti. Un test più controllato dovrebbe utilizzare soltanto i prospetti civilistici oppure concentrarsi su una società che non pubblichi già gli indicatori oggetto dell’analisi. Il confronto riflette infine le capacità del modello disponibile al momento della tesi, mentre l’estensione realizzata nel 2026 utilizza strumenti più avanzati per rendere ogni calcolo verificabile e riproducibile.",
      notes: [
        "Relatore Prof. Alain Devalle, Università di Torino, anno accademico 2023/24.",
        "eVISO S.p.A., Bilancio di Esercizio al 30 giugno 2022 e Fascicolo di Bilancio al 30 giugno 2023, sezione «Situazione economico, patrimoniale della società».",
        "I prospetti riclassificati sono pubblicati da eVISO, mentre il calcolo degli indici, il commento e l’estensione del 2026 sono stati da me realizzati."
      ],
      // Quattro figure. Le prime tre raccontano la società, la quarta il
      // confronto fra il metodo tradizionale e il modello sugli stessi anni.
      images: [
        {
          src: "assets/eviso-analisi-bilancio/ricavi-e-risultato.png", w: 1170, h: 598,
          tab: "Ricavi e risultato",
          alt: "Grafico con i ricavi e il risultato netto di eVISO dal 2021 al 2023. I ricavi salgono da 75,7 a 224,9 milioni di euro, mentre il risultato netto passa da un utile di 1,33 milioni a due perdite consecutive.",
          caption: "Fra il 2021 e il 2023 i ricavi quasi triplicano, mentre il risultato netto passa da un utile a due perdite consecutive. La crescita dei ricavi non si traduce quindi in una maggiore redditività."
        },
        {
          src: "assets/eviso-analisi-bilancio/cascata-2022.png", w: 1170, h: 598,
          tab: "Esercizio 2022",
          alt: "Grafico a cascata dell’esercizio 2022. Il valore aggiunto di 7,13 milioni di euro si riduce con costi del personale, ammortamenti, altre gestioni, interessi e imposte fino alla perdita netta di 1,10 milioni.",
          caption: "Nel 2022 eVISO resta in utile fino al risultato lordo, ma le imposte superano quel valore e portano il risultato netto in perdita."
        },
        {
          src: "assets/eviso-analisi-bilancio/redditivita-tre-anni.png", w: 1170, h: 598,
          tab: "Redditività",
          alt: "Grafico di ROE, ROI e ROS dal 2021 al 2023. I tre indicatori sono positivi nel primo esercizio, il ROE diventa negativo nel secondo e tutti scendono sotto zero nel terzo.",
          caption: "ROE, ROI e ROS sono positivi nel 2021, mentre nel 2022 il ROE diventa negativo e la redditività operativa resta sopra zero. Nel 2023 tutti e tre gli indicatori sono negativi, e il ROE coincide con il valore pubblicato da eVISO."
        },
        {
          src: "assets/eviso-analisi-bilancio/manuale-contro-ia.png", w: 1170, h: 598,
          tab: "Metodo tradizionale e IA",
          alt: "Griglia di sedici confronti su otto indicatori e due esercizi. Dieci valori coincidono, tre usano un denominatore diverso, due cambiano la conclusione e uno non può essere riprodotto.",
          caption: "Sui due esercizi comuni, dieci valori su sedici coincidono e tre differenze dipendono soltanto dal denominatore scelto. Il grado di indebitamento cambia invece la conclusione, perché ChatGPT esclude le passività correnti, mentre un valore sulla liquidità non può essere riprodotto."
        }
      ],
      dataAsOf: "Fascicoli di bilancio eVISO S.p.A. al 30 giugno 2022 e al 30 giugno 2023",
      links: [
        { label: "Tesi di laurea triennale", tipo: "PDF, 40 pagine", url: "docs/eviso-analisi-bilancio-tesi.pdf", attivo: true },
        // attivo: false finché il repository non è pubblico. I link morti non si pubblicano.
        { label: "Codice della verifica", tipo: "GITHUB", url: "https://github.com/simonerizzuti/eviso-financial-analysis", attivo: true },
        { label: "Bilanci eVISO", tipo: "Fonte", url: "https://eviso.ai/investor-relations/bilanci-e-relazioni/", attivo: true }
      ]
    }
  ],

  experience: [
    { period: "Set 2024 - Presente", org: "Università Ca' Foscari di Venezia", role: "Laurea magistrale in Economia e Finanza", locator: "2.1",
      detail: "Il percorso ha integrato finanza, metodi quantitativi e regolamentazione attraverso corsi e lavori applicati.",
      desktopBullets: [
        "Analisi dei mercati finanziari e finanza aziendale, con teoria di portafoglio, CAPM, valutazione della performance, Dividend Discount Model, WACC e struttura del capitale.",
        "Derivati finanziari e gestione del rischio, con valutazione e strategie di copertura attraverso forward, futures, swap e opzioni, utilizzando i modelli Black Scholes Merton e binomiale.",
        "Rischio assicurativo e assicurazioni sulla vita, con tavole di mortalità, attualizzazione dei flussi di cassa e calcolo dei premi."
      ],
      highlights: [
        ["Mercati e finanza aziendale", "CAPM, teoria di portafoglio, analisi della performance, WACC e struttura del capitale."],
        ["Metodi quantitativi", "regressioni lineari e logistiche, modelli dinamici e multifattoriali, analisi delle serie storiche e del rapporto rischio-rendimento, applicati con Excel, Python e R."],
        ["Rischio e regolamentazione", "gestione del rischio, normativa bancaria e utilizzo del Bloomberg Lab."]
      ],
      thesis: "La tesi analizza, per un lavoratore dipendente privato italiano, la scelta tra un fondo pensione aperto e l'investimento autonomo in un ETF azionario globale, considerando fiscalità, TFR, contributo datoriale e fase di rendita.",
      note: "Relatrice Prof.ssa Brugiavini, laurea prevista ottobre 2026" },
    { period: "Feb – Mag 2026", org: "Geneva Graduate Institute - Ginevra (CH)", role: "Mobilità internazionale Overseas", locator: "2.2",
      detail: "Advanced Statistics II, econometria applicata in R, e Predicting Crises. Da qui nascono il paper sugli aiuti alimentari e il progetto di forecasting su Bitcoin.",
      desktopBullets: [
        "Advanced Statistics II, corso incentrato su inferenza causale ed econometria applicata in R, attraverso dati panel, variabili strumentali, difference in differences e regression discontinuity design.",
        "Predicting Crises, corso dedicato a teoria dei giochi, euristiche decisionali e mercati predittivi, con applicazioni alla previsione di crisi finanziarie, umanitarie e geopolitiche."
      ],
      note: "Overseas Program" },
    { period: "Lug – Ott 2025", org: "BNL BNP Paribas - Torino", role: "Gestore Retail", locator: "2.3",
      detail: "Gestivo autonomamente lo sportello presso la sede centrale BNL di Torino, con una media di 20 clienti assistiti al giorno.",
      mobileBullets: [
        "Gestione autonoma dello sportello nella filiale principale di Torino, con una media di 20 clienti al giorno.",
        "Operazioni di cassa, bonifici nazionali e internazionali, cambio valuta, carte e conti correnti, con quadratura giornaliera della cassa e gestione degli accessi alle cassette di sicurezza.",
        "Analisi delle esigenze dei clienti e segnalazione ai consulenti abilitati per mutui, prestiti, assicurazioni e investimenti."
      ],
      desktopBullets: [
        "Gestione autonoma dello sportello nella filiale principale di Torino, con una media di 20 clienti al giorno.",
        "Operazioni di cassa, bonifici nazionali e internazionali, cambio valuta, carte e conti correnti, con quadratura giornaliera della cassa e gestione degli accessi alle cassette di sicurezza.",
        "Analisi delle esigenze dei clienti e segnalazione ai consulenti abilitati per mutui, prestiti, assicurazioni e investimenti."
      ],
      bullets: [
        "Gestione autonoma dello sportello nella filiale principale di Torino, con una media di 20 clienti al giorno.",
        "Operazioni di cassa, bonifici nazionali e internazionali, cambio valuta, carte e conti correnti, con quadratura giornaliera della cassa e gestione degli accessi alle cassette di sicurezza.",
        "Analisi delle esigenze dei clienti e segnalazione ai consulenti abilitati per mutui, prestiti, assicurazioni e investimenti."
      ],
      note: "Esposizione a portfolio management" },
    { period: "Feb – Mag 2025", org: "Mercury Partners Ltd - Londra, UK (Remoto)", role: "Junior Financial Analyst Intern", locator: "2.4",
      detail: "Seguivo le dinamiche che collegano investimenti in infrastrutture AI, data center, semiconduttori e spesa IT a società quotate, settori tecnologici ed ETF.",
      desktopBullets: [
        "Ricerca su società quotate ed ETF esposti a infrastrutture AI, semiconduttori e data center.",
        "Elaborazione in Excel di dati finanziari, di mercato e KPI aziendali raccolti tramite Bloomberg Terminal presso il Bloomberg Lab di Ca' Foscari.",
        "Report e presentazioni su capex dei produttori di chip, domanda di equipment e politiche industriali."
      ],
      bullets: [
        "Ricerca su società quotate ed ETF esposti a infrastrutture AI, semiconduttori e data center.",
        "Elaborazione in Excel di dati finanziari, di mercato e KPI aziendali raccolti tramite Bloomberg Terminal presso il Bloomberg Lab di Ca' Foscari.",
        "Report e presentazioni su capex dei produttori di chip, domanda di equipment e politiche industriali."
      ],
      note: "Da remoto" },
    { period: "Set 2021 – Lug 2024", org: "Università degli Studi di Torino", role: "Laurea triennale in Economia", locator: "2.5",
      detail: "Contabilità, microeconomia e macroeconomia, finanza aziendale, matematica finanziaria. Tesi sull'applicazione dell'intelligenza artificiale all'analisi di bilancio.",
      desktopBullets: [
        "Contabilità e analisi di bilancio.",
        "Finanza aziendale e matematica finanziaria, con valutazione degli investimenti e delle obbligazioni.",
        "Statistica ed econometria, con applicazioni in Python e MATLAB all’analisi dei dati finanziari e alla costruzione di portafogli."
      ],
      note: "Relatore Prof. Devalle" },
    { period: "Giu – Ago 2022", org: "Areafit Cuesta Sport - Siviglia (ES)", role: "Receptionist Front Office", locator: "2.6",
      detail: "Gestivo la reception di un centro fitness nel centro di Siviglia, con clientela internazionale, iscrizioni, accessi e prenotazioni delle lezioni.",
      desktopBullets: [
        "Gestione della reception di un centro fitness nel centro di Siviglia, con una clientela internazionale.",
        "Registrazione di iscrizioni, accessi e prenotazioni delle lezioni attraverso il software gestionale del centro.",
        "Gestione di incassi e pagamenti e assistenza alla clientela in presenza, per telefono e via email."
      ],
      bullets: [
        "Gestione della reception di un centro fitness nel centro di Siviglia, con una clientela internazionale.",
        "Registrazione di iscrizioni, accessi e prenotazioni delle lezioni attraverso il software gestionale del centro.",
        "Gestione di incassi e pagamenti e assistenza alla clientela in presenza, per telefono e via email."
      ],
      note: "Prima esperienza di lavoro all'estero" }
  ],

  contact: [
    { label: "Email", value: "simonerizzuti02@gmail.com", url: "mailto:simonerizzuti02@gmail.com" },
    { label: "LinkedIn", value: "/in/simone-rizzuti", url: "https://www.linkedin.com/in/simone-rizzuti-09484b293" },
    { label: "GitHub", value: "github.com/simonerizzuti", url: "https://github.com/simonerizzuti" },
    { label: "Sede", value: "Torino, Italia", url: null }
    , { label: "Curriculum", value: "PDF, 1 pagina", url: "cv/CV-Simone-Rizzuti-IT.pdf" }
  ]
};

const SITE_DATA_EN = {

  person: { name: "Simone Rizzuti", city: "TURIN", grad: "AVAIL. OCT 2026" },

  intro: {
    p1: "Master's candidate in Economics and Finance at Ca' Foscari University of Venice",
    p2: "Finance and markets are my main areas of interest, particularly financial analysis and company valuation. My projects involve analysing data and building quantitative models, with AI models incorporated in some cases.",
    meta: "Master’s degree candidate in Economics and Finance at Ca’ Foscari University of Venice, with a semester abroad at the Geneva Graduate Institute. My studies focus on corporate analysis, financial markets and financial regulation, with a particular interest in combining quantitative models with AI.",
    sources: "Shiller (Yale), SEC EDGAR, COVIP, INPS, ISTAT.",
    contactNote: "I reply within 24 hours on working days.",
    notFound: "does not correspond to any page on this site."
  },


  projects: [
    {
      slug: "valutazioni-estreme", locator: "1.1",
      title: "CAPE and future S&P 500 returns",
      subtitle: "Drawing on Shiller’s historical data from 1881 to 2026, the study analyses real returns over one, three, five, and ten year periods following episodes of particularly high CAPE levels.",
      category: "Markets", period: "July 2026", aggiornamento: "2026-07-03", role: "Individual project", status: "Completed", featured: true,
      stack: ["Python", "Codex", "Shiller series", "Bootstrap"],
      tools: ["python"],
      lastUpdate: "3 July 2026",
      context: "Over the ten years ending in July 2026, US equities delivered an average real return of 11.3% per year, compared with a historical median of 7.0%. At the same time, the Shiller CAPE reached 39.5, placing market valuations in the 98.5th percentile of observations since 1881. The project looks at how US equities have performed after similarly elevated valuations and asks whether the returns of the past decade provide a reasonable benchmark for the next ten years. Since there is only one completed historical episode with a CAPE close to 40, during the dot com bubble, the analysis expands the sample to all observations in the highest CAPE decile. This threshold begins at 28.2 and provides 66 overlapping ten year periods for the analysis.",
      approach: "The analysis measures real total returns over one, three, five and ten years following observations in the highest CAPE decile. It then uses three regression models to estimate returns over the subsequent decade based on CAPE, inverse CAPE and the Excess CAPE Yield. Because many of the historical periods overlap, a moving block bootstrap is used to account for the resulting dependence between observations. The analysis also includes an event study of six major valuation peaks, comparing the returns, maximum drawdowns and recovery times that followed each episode.",
      metrics: [
        { label: "CAPE today", value: "39.5", note: "98.5th percentile since 1881" },
        { label: "10-year median", value: "−0.4%", note: "real, from the top decile" },
        { label: "P(negative return)", value: "55%", note: "over 10 years, 36 cases out of 66" },
        { label: "Trailing decade", value: "+11.3%", note: "annualised real, July 2016–July 2026" }
      ],
      results: "Historically, high CAPE levels have not necessarily been followed by immediate market losses, with the median real return after one year still reaching 9.9% within the highest valuation decile. Over a ten year period, however, the evidence becomes less favourable. The median real return falls to negative 0.4%, while 55% of the periods end with a real loss. The three regression models also point to expected returns below the 11.3% achieved over the most recent decade. Their estimates differ considerably, however, and the uncertainty around them remains too large to support a precise forecast.",
      limitations: "The main limitation is the small number of genuinely independent historical precedents, as only one completed episode in the dataset reached a CAPE close to 40. Broadening the sample produces 66 ten year periods, but these observations overlap and therefore cannot be treated as separate historical experiments. The results are best interpreted as evidence of how valuations and subsequent returns have been related in the past, rather than as a precise forecast of future market performance.",
      notes: [
        "Robert J. Shiller, Online Data, monthly series 1871–2026, downloaded 3 July 2026. CAPE begins in 1881 because it requires ten prior years of earnings.",
        "Excess CAPE Yield as defined by Shiller and his coauthors in 2020.",
        "Internal check on forward return computation, mean absolute error of zero."
      ],
      images: [
        {
          src: "assets/valutazioni-estreme/storia.png", w: 1170, h: 585,
          tab: "The starting point",
          alt: "The chart follows the Shiller CAPE month by month from 1881 to 2026, with the current level of 39 above the 1929 peak of 33 and below the December 1999 high of 44. Three pink bands mark the periods spent above the threshold for the highest decile.",
          caption: "The CAPE reached 39.5 in July 2026, above the 1929 peak of 32.6 and below the record high of 44.2 set in December 1999. The shaded areas mark the three periods spent in the highest valuation decile, covering 1929, the dot-com bubble and the period that began in 2017."
        },
        {
          src: "assets/valutazioni-estreme/orizzonti.png", w: 1170, h: 598,
          tab: "What to expect",
          alt: "Distribution of annualised real returns at 1, 3, 5 and 10 years following a purchase made in the most expensive valuation decile. The median falls from +9.9% to −0.4% and the probability of a loss rises from 31% to 55%.",
          caption: "The distribution of returns changes across horizons, as the median falls from 9.9% in real terms after one year to −0.4% after ten years and the probability of a loss rises from 31% to 55%. The light bars span the 10th to 90th percentiles, while the dark bars show the central range from the 25th to 75th percentiles."
        },
        {
          src: "assets/valutazioni-estreme/episodi.png", w: 1170, h: 650,
          tab: "What happened",
          alt: "Real total return over the ten years following six valuation peaks, indexed to 100 at the peak month. After 1999 the index stays below 100 for most of the period, while after 2007 it moves durably above it.",
          caption: "The lines show real total returns after six valuation peaks, all starting from a common value of 100. Following the 1999 peak, it took thirteen years and three months to break even, while the decade after the 2007 peak returned 5.2% a year despite a maximum drawdown of 49%. The dashed line follows the episode that began in November 2021 and remains open."
        }
      ],
      dataAsOf: "Shiller, downloaded 3 July 2026 (series 1871–2026)",
      links: [
        { label: "Analysis code", tipo: "GITHUB", url: "https://github.com/simonerizzuti/cape-next-decade", attivo: true },
        { label: "Robert Shiller’s Historical Series", tipo: "Data", url: "https://shillerdata.com/", attivo: true }
      ]
    },

    {
      slug: "previdenza-vs-etf", locator: "1.2",
      title: "Comparing pension plans and ETF investing for retirement planning",
      subtitle: "This thesis compares pension funds and ETFs over a long term horizon, from the beginning of working life to retirement. It examines how taxation, employment conditions, and life expectancy can influence the choice beyond investment returns alone.",
      category: "Pensions", period: "February 2026", role: "Master's thesis, in progress", status: "In progress", featured: false,
      stack: ["Excel", "COVIP", "MSCI", "INPS", "ISTAT"],
      tools: ["foglio"],
      context: "Pension funds and ETFs provide two different ways to build wealth for retirement, each with its own advantages and trade offs. A pension fund offers tax benefits, may include an employer contribution and can provide a lifetime income, although access to the accumulated capital is more restricted. An ETF offers greater flexibility and allows the remaining wealth to be passed on to heirs, but it does not provide the same tax advantages or protect against the risk of exhausting the portfolio during retirement. A meaningful comparison therefore needs to consider not only investment returns, but also income, employment conditions, severance pay and the length of retirement.",
      approach: "The model follows both strategies from the beginning of the saving period through retirement, applying the tax rules and payout structure that apply to each. Under the pension fund strategy, employee contributions and Italian severance pay, known as TFR, are paid into the fund. Under the ETF strategy, the same amount paid directly by the employee is invested in the portfolio, while TFR remains with the employer. The analysis compares both the income received during retirement and the wealth left to heirs, allowing the pension fund annuity and the ETF portfolio to be evaluated over the same period. The assumptions used in the model are based on institutional data, product terms and the legislation currently in force.",
      metrics: [
        { label: "Comparison", value: "Fund vs ETF", note: "outlay held constant" },
        { label: "Model", value: "Excel", note: "deterministic, net cash flows" },
        { label: "Data sources", value: "COVIP MSCI INPS", note: "lines, index, coefficients" },
        { label: "Legal basis", value: "D.Lgs. 252/2005", note: "with the TUIR and the 2026 budget law" }
      ],
      results: "Employer contributions make the pension fund more attractive in many of the scenarios considered, while a shorter retirement generally leaves a larger share of the ETF portfolio available to heirs. The outcome also changes with income and the age at which contributions begin, which can shift the relative advantage from one strategy to the other. Rather than identifying one option as universally better, the model shows the conditions under which each approach produces the more favourable outcome. Full results will be published after the thesis defence in October 2026.",
      limitations: "The model assumes constant returns and does not include inflation, while the effect of the sequence of returns is examined separately. During retirement, the capital is assumed to be invested in government bonds with short maturities, so market fluctuations are not included in this stage of the simulation. Early withdrawals are considered in the discussion but are not modelled, while full redemption is excluded from the analysis. Tax treatment reflects the rules in force in 2026 and may therefore change over time.",
      notes: [
        "Legislative Decree 252 of 5 December 2005, on supplementary pension schemes.",
        "COVIP annual report, net returns by investment line.",
        "Supervisor Prof. Agar Brugiavini, Ca' Foscari University of Venice."
      ]
    },

    {
      slug: "bitcoin-2030", locator: "1.4",
      title: "Probabilistic Bitcoin price forecasting",
      subtitle: "The project compares participants’ expectations for the future price of Bitcoin with an AI forecast based on historical price data and a broader set of economic, regulatory, and market factors. The analysis explores whether human expectations and artificial intelligence can provide distinct but complementary perspectives.",
      category: "Markets", period: "May 2026", aggiornamento: "2026-05-19", role: "Individual project, IHEID", status: "Completed", featured: true,
      stack: ["Python", "Claude Code", "Obsidian", "TimesFM"],
      tools: ["python", "claude", "obsidian"],
      lastUpdate: "19 May 2026",
      context: "Developed as the final project for the Predicting Crises course at the Geneva Graduate Institute, the analysis estimates the price of Bitcoin on 31 December 2030 by combining human expectations with an AI forecast. The human component comes from a prediction market in which 72 participants choose among several possible price ranges, while the AI component produces a separate probability distribution from historical data. The two forecasts are then combined to determine which price range emerges as the most likely outcome.",
      approach: "Claude Code was used as the main development environment, with TimesFM from Google DeepMind integrated as the time series forecasting model. TimesFM uses the most recent 1,024 days of Bitcoin prices to generate a point forecast for 2030. At such a long horizon, however, its prediction intervals collapse, so uncertainty is reconstructed from the historical volatility of Bitcoin returns and allocated across five price ranges. The resulting distribution is then adjusted using ten structural factors documented in the project archive, including regulation, ETF demand and the halving cycle, with each factor translated into a likelihood ratio. In the final step, the adjusted AI distribution is combined with the prediction market distribution using equal weights in log odds space.",
      metrics: [
        { label: "Horizon", value: "31 December 2030", note: "forecast across five price ranges" },
        { label: "Structural factors", value: "10", note: "each documented and converted into likelihood ratios" },
        { label: "Gap between participants and AI", value: "59 points", note: "86.6% versus 28.0% for the range from 75 to 150 thousand dollars" },
        { label: "Final result", value: "66%", note: "between 75 and 150 thousand dollars" }
      ],
      results: "The 72 participants place 86.6% of the collective probability between 75 and 150 thousand dollars, while the AI model produces a markedly different distribution. It assigns 28.0% to the same range and places 40.4% below 75 thousand dollars. Once the two forecasts are combined with equal weights, the range preferred by participants remains the most likely outcome, although its probability falls to 66%. The final distribution assigns a further 15% below 75 thousand dollars, 14% between 150 and 275 thousand, and the remaining 5% above 275 thousand.",
      limitations: "The likelihood ratios assigned to the ten structural factors are based on informed judgement rather than estimates derived directly from data, so different assumptions would lead to a different distribution. The final combination also brings together forecasts built from different sources of information and should not be interpreted as a single statistical model. The human component comes from an eighteen day exercise with no real money at stake, meaning that the 86.6% concentration in one range may partly reflect participants converging on similar expectations rather than forming fully independent views. TimesFM relies only on historical prices, while the forecast extends more than four and a half years into the future, so the final distribution is best understood as a scenario conditional on the chosen assumptions rather than a calibrated estimate of Bitcoin’s future price.",
      images: [
        {
          src: "assets/bitcoin-2030/forecast-infographic.svg", w: 1170, h: 585,
          tab: "The process",
          alt: "The diagram traces the Bitcoin 2030 forecast through four stages, with choices made by 72 participants producing one distribution across five price ranges while TimesFM and ten structural factors form the AI model. The two forecasts are combined with equal weights and assign 66% to the range between 75 and 150 thousand dollars.",
          caption: "Participants’ expectations and the AI model follow separate paths until they are combined, while within the model TimesFM provides the quantitative baseline and the documented factors update the probability assigned to each range."
        },
        {
          src: "assets/bitcoin-2030/fattori.png", w: 1170, h: 598,
          tab: "The method",
          alt: "The bar chart compares the initial TimesFM distribution with the distribution after the ten factors across five price ranges. After the update, probability below 75 thousand dollars falls from 57.3% to 40.4%, while the two ranges between 75 and 275 thousand rise from 15.7% to 28.0% and from 10.8% to 22.0%. The range between 275 and 500 thousand remains close to 7%, while the share above 500 thousand falls from 8.7% to 2.7%.",
          caption: "The ten factors move probability away from both extremes and towards the middle ranges, with the largest increase between 150 and 275 thousand dollars, which rises from 10.8% to 22.0%, while the share above 500 thousand falls from 8.7% to 2.7%."
        },
        {
          src: "assets/bitcoin-2030/confronto.png", w: 1170, h: 598,
          tab: "The result",
          alt: "The bar chart compares the three forecasts across five price ranges, with participants assigning 87% between 75 and 150 thousand dollars, the AI model 28% and the combined forecast 66%, while below 75 thousand the corresponding probabilities are 4%, 40% and 15%.",
          caption: "Participants and the AI model differ most below 150 thousand dollars, while the combined forecast keeps the range between 75 and 150 thousand as the most likely outcome, at 66%."
        }
      ],
      dataAsOf: "presentation from May 2026, Bitcoin prices up to 12 May 2026",
      links: [
        { label: "Presentation, 28 pages", tipo: "Document", url: "docs/bitcoin-2030-presentazione.pdf", attivo: true },
        { label: "Model code", tipo: "GITHUB", url: "https://github.com/simonerizzuti/btc-2030-hybrid-forecast", attivo: true },
        { label: "TimesFM – Google DeepMind (GitHub)", tipo: "Model", url: "https://github.com/google-research/timesfm", attivo: true }
      ]
    },

    {
      slug: "aiuti-alimentari-conflitti", locator: "1.5",
      title: "Econometric extension of Nunn and Qian (2014)",
      subtitle: "Building on Nunn and Qian’s 2SLS analysis of food aid, the project replicates their estimates and extends the original model to assess whether the effect of aid varies with institutional quality.",
      category: "Econometrics", period: "May 2026", aggiornamento: "2026-05-27", role: "Final paper, IHEID", status: "Completed", featured: true,
      stack: ["R", "IV / 2SLS", "Panel data"],
      tools: ["r"],
      lastUpdate: "27 May 2026",
      context: "Can US food aid increase the risk of civil conflict in recipient countries? The relationship is difficult to identify directly because aid is often sent to countries that are already experiencing instability. Nunn and Qian address this problem by exploiting changes in US wheat production from the previous year together with differences in each country’s historical exposure to food aid. This project reconstructs their empirical strategy using the original data and then extends the analysis to examine whether the estimated effect of aid depends on the political institutions of the recipient country.",
      approach: "The replication rebuilds the original 2SLS specification using the same panel, sample, fixed effects and controls as the published study. The extension introduces political institutions to test whether the effect of food aid differs across more autocratic and more democratic settings. Both aid and its interaction with institutional quality are treated as endogenous and are therefore instrumented, while institutional quality also enters the model separately. Robustness checks vary both the measure of political institutions and the period in which they are observed. A single script produces all tables and figures and verifies the consistency of the results, making the full analysis reproducible.",
      metrics: [
        { label: "Replication", value: "0.00254", note: "identical to the published coefficient" },
        { label: "Polity interaction", value: "p = 0.419", note: "continuous measure, 3,858 observations" },
        { label: "Original measure", value: "p = 0.872", note: "replicated coefficient: 0.00043" },
        { label: "Anderson–Rubin test", value: "p = 0.489", note: "zero remains in the projected set" }
      ],
      results: "The replication recovers the positive relationship between food aid and civil conflict reported in the original study, while the placebo test for conflict between states continues to show no effect. In the extension, the point estimate suggests that the impact of aid may become weaker as political institutions become more democratic, but the interaction is estimated too imprecisely to establish a reliable difference across regimes. The conclusion remains unchanged when institutional quality is measured at different points in time or defined using alternative indicators. The binary measure used in the original paper leads to the same result and provides no clear evidence of heterogeneity. Overall, the analysis reproduces the published average effect but does not find sufficiently strong evidence that it differs between autocracies and democracies.",
      limitations: "The original identification strategy combines changes in US wheat production with differences in countries’ historical exposure to food aid, but this approach has been criticised because it may also capture trends that differ across countries. Successfully reproducing the published estimate confirms that the original result can be recovered from the data, but it does not by itself establish that the exclusion restriction is valid. Political institutions may also respond to civil conflict, so measuring them before the conflict period helps reduce reverse causality while changing the effect being estimated. The instruments used for the interaction are also relatively weak, which makes inference depend more heavily on a test that remains valid under weak identification and still cannot rule out a zero effect. Finally, the data cover historical US wheat aid in a specific sample of countries, so the findings should not be extended directly to all forms of humanitarian assistance.",
      notes: [
        "Nathan Nunn and Nancy Qian, US Food Aid and Civil Conflict, American Economic Review 104(6), 2014, 1630-66.",
        "The original paper's heterogeneity test is in its Table 12, column 4.",
        "Paul Christian and Christopher Barrett, Revisiting the Effect of Food Aid on Conflict, 2017.",
        "Matthew Ribar, Feeding Conflict?, Journal of Global Security Studies, 2025.",
        "Statistics for International Relations Research II, Geneva Graduate Institute."
      ],
      images: [
        {
          src: "assets/aiuti-alimentari-conflitti/replica.png", w: 1168, h: 708,
          tab: "The replication holds",
          alt: "The chart compares the estimates for civil conflict, conflict of any type and conflict between states with the values published by Nunn and Qian. The red crosses nearly overlap the first two estimates, while the placebo remains close to zero.",
          caption: "The replication uses the full sample from the original study and recovers the published estimates for civil conflict and conflict of any type. The red crosses mark the values reported in the article, while the final row shows the placebo for conflict between states, which remains null."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/regime.png", w: 1168, h: 708,
          tab: "The gradient",
          alt: "The chart traces the estimated effect of aid across different levels of political institutions. The line slopes downward toward more democratic regimes, but the confidence band is wide and includes zero.",
          caption: "The estimates point to a smaller effect under more democratic institutions, but the interaction between aid and political regime remains imprecise. A significant effect at a single point on the scale would not establish a difference across regimes, because the relevant test concerns the slope and does not reject zero."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/misura.png", w: 1168, h: 655,
          tab: "Two measures of institutions",
          alt: "The chart compares the estimate based on the annual scale of political institutions with the estimate from the binary indicator used by Nunn and Qian, which separates countries by their average score. Both confidence intervals include zero.",
          caption: "Both measures test whether the effect of aid varies with political institutions, but they do so differently. The first follows annual changes, while the second divides countries into two groups using their average score. Neither identifies a reliable difference across regimes."
        },
        {
          src: "assets/aiuti-alimentari-conflitti/sensibilita.png", w: 1168, h: 708,
          tab: "Sensitivity",
          alt: "The chart compares the estimates obtained when political institutions are measured in the same year as the conflict, one year earlier or through two historical averages. Every confidence interval includes zero.",
          caption: "The conclusion does not change when institutions are measured earlier or replaced with a historical average. In every specification, the estimated difference across regimes remains small relative to its uncertainty and cannot be distinguished from zero."
        }
      ],
      dataAsOf: "AEA replication archive for Nunn and Qian 2014, panel 1971–2006",
      links: [
        { label: "Extended Paper", tipo: "PDF, 10 pages", url: "docs/aiuti-alimentari-conflitti-paper.pdf", attivo: true },
        { label: "Analysis code", tipo: "GITHUB", url: "https://github.com/simonerizzuti/food-aid-conflict", attivo: true },
        { label: "Original AEA Article", tipo: "Source", url: "https://www.aeaweb.org/articles?id=10.1257/aer.104.6.1630", attivo: true }
      ]
    },

    {
      slug: "eviso-analisi-bilancio", locator: "1.6",
      title: "Financial statement analysis using traditional methods and artificial intelligence",
      subtitle: "Using eVISO S.p.A. as a case study, this thesis compares traditional financial statement analysis with an assessment produced by OpenAI’s GPT-4o model.",
      category: "Financial analysis", period: "September 2024", aggiornamento: "2024-09-01", role: "Bachelor's thesis", status: "Completed", featured: false,
      stack: ["Excel", "GPT-4o", "Python", "Codex"],
      tools: ["foglio", "python"],
      lastUpdate: "21 August 2026",
      context: "A May 2024 update gave GPT-4o the ability to work directly with documents and charts, making it possible to test the model on a real set of company accounts. The thesis explores this question through eVISO, a listed energy company that uses its own artificial intelligence platform for forecasting and market operations. AI therefore has a dual role in the project, as it is both part of the company’s operations and the tool used to analyse its financial statements. The aim is to assess whether automation can make financial analysis faster and more efficient while preserving the human judgement needed to select relevant information, choose appropriate methods and interpret the results.",
      approach: "The analysis first introduces the main financial statements, reclassification methods and ratios used to assess profitability, capital structure and financial position. These tools are then applied to eVISO for 2021 and 2022, using the reclassified statements published by the company to calculate eleven financial ratios. ChatGPT is separately given the 2022 and 2023 reports and asked to assess the company’s performance, financial position and capital structure. In 2026, the traditional analysis was extended to 2023 and a Python script was developed to verify the sixteen results originally produced by GPT-4o, using the same financial years and clearly defined formulas. This makes it possible to distinguish genuine calculation errors from differences that arise when the model selects a different formula or analytical approach.",
      metrics: [
        { label: "Case studied", value: "eVISO S.p.A.", note: "listed on Euronext Growth Milan" },
        { label: "Ratios compared", value: "16 pairs", note: "8 ratios, 2 financial years" },
        { label: "Identical readings", value: "10 of 16", note: "same value to the second decimal" },
        { label: "Where the conclusion changes", value: "1 ratio", note: "the debt ratio" }
      ],
      results: "Between 2021 and 2022, eVISO nearly tripled its revenue but moved from a profit to a net loss, despite remaining profitable at the operating level. The 2026 review shows that GPT-4o produces the same value as the independent calculation in ten of sixteen cases across 2022 and 2023, although some of these ratios were already reported in the documents provided to the model. Three differences are explained by the denominator selected for ROS and capital turnover, meaning they reflect alternative definitions rather than calculation errors. A more significant issue appears in the debt ratio, where the model considers only long term liabilities and therefore describes the company as having relatively low debt. Once current liabilities are included, total liabilities exceed equity by more than two and a half times, leading to a substantially different interpretation. One liquidity figure also cannot be reproduced from the available data. Overall, the model performs most consistently when both the inputs and the formula are clearly defined, while reliability declines when it must independently choose and justify the appropriate analytical method.",
      limitations: "The findings are based on a single company and cannot be generalised to financial statement analysis as a whole, particularly because eVISO has relatively simple accounts and carries no inventory. Some of the ratios requested from GPT-4o were also already included in the reports it received, making it difficult to determine whether the model calculated them independently or extracted the published values. A more controlled comparison would therefore rely only on the statutory financial statements or use a company that does not publish the ratios being tested. The analysis also reflects the capabilities of the model available when the thesis was written, while the 2026 extension uses more advanced tools to make each calculation transparent, verifiable and reproducible.",
      notes: [
        "Supervisor Professor Alain Devalle, University of Turin, academic year 2023/24.",
        "eVISO S.p.A., Financial Statements at 30 June 2022 and Financial Statements at 30 June 2023, section of the management report covering the company’s earnings, capital structure and financial position.",
        "The restated statements were published by eVISO, while I completed the ratio calculations, the commentary and the 2026 extension."
      ],
      // Four figures. The first three describe the company, the fourth the
      // comparison between the traditional method and the model on the same years.
      images: [
        {
          src: "assets/eviso-analisi-bilancio/ricavi-e-risultato.png", w: 1170, h: 598,
          tab: "Revenue and net result",
          alt: "The chart tracks eVISO revenue and net result from 2021 to 2023, showing revenue rising from 75.7 to 224.9 million euro while a profit of 1.33 million gives way to two consecutive losses.",
          caption: "Revenue almost trebles between 2021 and 2023, but the company moves from profit to two consecutive losses, so higher sales do not translate into stronger profitability."
        },
        {
          src: "assets/eviso-analisi-bilancio/cascata-2022.png", w: 1170, h: 598,
          tab: "Financial year 2022",
          alt: "The waterfall chart traces the 2022 result from 7.13 million euro of value added, through personnel costs, depreciation, other items, interest and tax, to a net loss of 1.10 million.",
          caption: "eVISO remains profitable before tax in 2022, but the tax charge exceeds that profit and leaves the company with a net loss."
        },
        {
          src: "assets/eviso-analisi-bilancio/redditivita-tre-anni.png", w: 1170, h: 598,
          tab: "Profitability",
          alt: "The chart follows ROE, ROI and ROS from 2021 to 2023, with all three positive at first, ROE turning negative in 2022 and every ratio below zero by 2023.",
          caption: "All three ratios are positive in 2021, while ROE turns negative in 2022 even as operating profitability remains above zero. By 2023 every ratio is negative, and ROE matches the figure published by eVISO."
        },
        {
          src: "assets/eviso-analisi-bilancio/manuale-contro-ia.png", w: 1170, h: 598,
          tab: "Traditional method and AI",
          alt: "The grid compares eight ratios across 2022 and 2023, producing sixteen results that include ten matches, three differences in denominator, two changes in conclusion and one figure that cannot be reproduced.",
          caption: "Ten of the sixteen results match across both years, while three differences come only from the denominator used. The debt ratio leads to a different conclusion because ChatGPT excludes current liabilities, and one liquidity figure cannot be reproduced."
        }
      ],
      dataAsOf: "eVISO S.p.A. financial statements at 30 June 2022 and 30 June 2023",
      links: [
        { label: "BSc Thesis", tipo: "PDF, 40 pages", url: "docs/eviso-analisi-bilancio-tesi.pdf", attivo: true },
        // attivo: false finché il repository non è pubblico. I link morti non si pubblicano.
        { label: "Verification code", tipo: "GITHUB", url: "https://github.com/simonerizzuti/eviso-financial-analysis", attivo: true },
        { label: "eVISO Annual Reports", tipo: "Source", url: "https://eviso.ai/investor-relations/bilanci-e-relazioni/", attivo: true }
      ]
    }
  ],

  experience: [
    { period: "Sep 2024 to present", org: "Ca' Foscari University of Venice (IT)", role: "MSc in Economics and Finance", locator: "2.1",
      detail: "The programme combines finance, quantitative methods and regulation through coursework and applied work.",
      desktopBullets: [
        "Financial markets and corporate finance, including portfolio theory, CAPM, performance evaluation, equity valuation using the Dividend Discount Model, WACC and capital structure.",
        "Derivatives and risk management, covering the valuation and hedging of forwards, futures, swaps and options using the Black Scholes Merton and binomial models.",
        "Insurance risk and life insurance, including mortality tables, cash flow discounting and premium calculation."
      ],
      highlights: [
        ["Markets and corporate finance", "CAPM, portfolio theory, performance analysis, WACC and capital structure."],
        ["Quantitative methods", "linear and logistic regression, dynamic and multifactor models, time series analysis and the relationship between risk and return, using Excel, Python and R."],
        ["Risk and regulation", "risk management, banking regulation and work in the Bloomberg Lab."]
      ],
      thesis: "The thesis examines the choice facing employees in Italy's private sector between joining an open pension fund and investing independently in a global equity ETF, accounting for taxation, statutory severance pay, employer contributions and income during retirement.",
      note: "Supervisor Prof. Brugiavini, graduating October 2026" },
    { period: "Feb – May 2026", org: "Geneva Graduate Institute - Geneva (CH)", role: "Overseas Exchange Programme", locator: "2.2",
      detail: "Advanced Statistics II, applied econometrics in R, and Predicting Crises. Both the food aid paper and the Bitcoin forecasting project came out of this semester.",
      desktopBullets: [
        "Advanced Statistics II, focused on causal inference and applied econometrics in R through panel data methods, instrumental variables, difference in differences and regression discontinuity design.",
        "Predicting Crises, focused on game theory, decision heuristics and prediction markets, with applications to forecasting financial, humanitarian and geopolitical crises."
      ],
      note: "Overseas Program" },
    { period: "Jul – Oct 2025", org: "BNL BNP Paribas - Turin (IT)", role: "Retail Banker", locator: "2.3",
      detail: "Managed counter operations independently at BNL's Turin headquarters, serving an average of 20 to 30 clients each day.",
      desktopBullets: [
        "Independently managed counter operations at BNL’s main Turin branch, serving around 20 clients a day.",
        "Handled cash transactions, domestic and international transfers, foreign exchange, cards and current accounts, balancing my cash drawer daily and controlling access to safe deposit boxes.",
        "Identified client needs and made referrals to the qualified advisers for mortgages, loans, insurance and investments."
      ],
      mobileBullets: [
        "Independently managed counter operations at BNL’s main Turin branch, serving around 20 clients a day.",
        "Handled cash transactions, domestic and international transfers, foreign exchange, cards and current accounts, balancing my cash drawer daily and controlling access to safe deposit boxes.",
        "Identified client needs and made referrals to the qualified advisers for mortgages, loans, insurance and investments."
      ],
      bullets: [
        "Independently managed counter operations at BNL’s main Turin branch, serving around 20 clients a day.",
        "Handled cash transactions, domestic and international transfers, foreign exchange, cards and current accounts, balancing my cash drawer daily and controlling access to safe deposit boxes.",
        "Identified client needs and made referrals to the qualified advisers for mortgages, loans, insurance and investments."
      ],
      note: "Exposure to portfolio management" },
    { period: "Feb – May 2025", org: "Mercury Partners Ltd - London, UK (Remote)", role: "Junior Financial Analyst Intern", locator: "2.4",
      detail: "Tracked how investment in AI infrastructure, data centres, semiconductors and IT spending affected listed companies, technology sectors and ETFs.",
      desktopBullets: [
        "Researched listed companies and ETFs exposed to AI infrastructure, semiconductors and data centres.",
        "Analysed financial and market data and company KPIs in Excel, using data sourced through Bloomberg Terminal at Ca' Foscari’s Bloomberg Lab.",
        "Produced reports and presentations on chipmakers’ capex, semiconductor equipment demand and industrial policy."
      ],
      bullets: [
        "Researched listed companies and ETFs exposed to AI infrastructure, semiconductors and data centres.",
        "Analysed financial and market data and company KPIs in Excel, using data sourced through Bloomberg Terminal at Ca' Foscari’s Bloomberg Lab.",
        "Produced reports and presentations on chipmakers’ capex, semiconductor equipment demand and industrial policy."
      ],
      note: "Remote" },
    { period: "Sep 2021 – Jul 2024", org: "University of Turin (IT)", role: "BSc in Economics", locator: "2.5",
      detail: "Accounting, microeconomics and macroeconomics, corporate finance, financial mathematics. Thesis on applying artificial intelligence to financial statement analysis.",
      desktopBullets: [
        "Accounting and financial statement analysis.",
        "Corporate finance, investments and financial mathematics, including investment appraisal and bond valuation.",
        "Statistics and econometrics, with practical work in Python and MATLAB on financial data analysis and portfolio construction."
      ],
      note: "Supervisor Prof. Devalle" },
    { period: "Jun – Aug 2022", org: "Areafit Cuesta Sport - Seville (ES)", role: "Front Office Receptionist", locator: "2.6",
      detail: "Managed front desk operations at a busy fitness center in central Seville, providing support to an international clientele.",
      desktopBullets: [
        "Worked at the front desk of a fitness centre in central Seville, assisting an international clientele.",
        "Managed memberships, customer access and class bookings through the centre’s management system.",
        "Handled payments and responded to customer enquiries in person, by phone and by email."
      ],
      bullets: [
        "Worked at the front desk of a fitness centre in central Seville, assisting an international clientele.",
        "Managed memberships, customer access and class bookings through the centre’s management system.",
        "Handled payments and responded to customer enquiries in person, by phone and by email."
      ],
      note: "First work experience abroad" }
  ],

  contact: [
    { label: "Email", value: "simonerizzuti02@gmail.com", url: "mailto:simonerizzuti02@gmail.com" },
    { label: "LinkedIn", value: "/in/simone-rizzuti", url: "https://www.linkedin.com/in/simone-rizzuti-09484b293" },
    { label: "GitHub", value: "github.com/simonerizzuti", url: "https://github.com/simonerizzuti" },
    { label: "Based in", value: "Turin, Italy", url: null }
    , { label: "Résumé", value: "PDF, 1 page", url: "cv/CV-Simone-Rizzuti-EN.pdf" }
  ]
};

const SITE_DATA = { it: SITE_DATA_IT, en: SITE_DATA_EN };

/* --- Etichette dell'interfaccia ------------------------------------------ */
const UI = {
  it: {
    nav: ["Home", "Percorso", "Progetti", "Contatti"],
    crumbRoot: "home", crumbProjects: "progetti", crumbAria: "Percorso di navigazione",
    menu: "INDICE", close: "CHIUDI", langAria: "Lingua del sito",
    viewProjects: "VEDI I PROGETTI", contactCta: "CONTATTI",
    selected: "Lavori selezionati", sources: "Fonti", allProjects: "Tutti i progetti",
    background: "Percorso", projects: "Progetti",
    all: "Tutti", filterAria: "Filtro per categoria",
    note: "Nota", sheet: "Scheda", role: "RUOLO", status: "STATO", stack: "STACK",
    sourcesNotes: "Fonti e note", backAll: "← tutti i progetti", next: "successivo,",
    contact: "Contatti",
    sections: ["Contesto", "Metodo", "Risultati", "Limiti dichiarati"],
    materials: "Materiali", figureLabel: "Grafico", figuresLabel: "Grafici",
    figureZoom: "Tocca il grafico per aprirlo a piena risoluzione.",
    figurePrev: "Grafico precedente", figureNext: "Grafico successivo",
    figureNoteShow: "Mostra la didascalia", figureNoteHide: "Nascondi la didascalia",
    figureOf: "di",
    dataAsOf: "DATI", madeOn: "Realizzazione", pageUpdated: "Ultimo aggiornamento della scheda", lastUpdate: "Ultimo aggiornamento",
    notFound: "Pagina non trovata", backIndex: "TORNA ALLA HOME",
    skip: "Vai al contenuto",
    titles: { home: "Home", percorso: "Percorso", progetti: "Progetti", contatti: "Contatti", e404: "Pagina non trovata" }
  },
  en: {
    nav: ["Home", "Background", "Projects", "Contact"],
    crumbRoot: "home", crumbProjects: "projects", crumbAria: "Breadcrumb",
    menu: "INDEX", close: "CLOSE", langAria: "Site language",
    viewProjects: "VIEW PROJECTS", contactCta: "CONTACT",
    selected: "Selected work", sources: "Sources", allProjects: "All projects",
    background: "Background", projects: "Projects",
    all: "All", filterAria: "Filter by category",
    note: "Note", sheet: "Record", role: "ROLE", status: "STATUS", stack: "STACK",
    sourcesNotes: "Sources and notes", backAll: "← all projects", next: "next,",
    contact: "Contact",
    sections: ["Context", "Method", "Results", "Stated limitations"],
    materials: "Materials", figureLabel: "Chart", figuresLabel: "Charts",
    figureZoom: "Tap the chart to open it at full resolution.",
    figurePrev: "Previous chart", figureNext: "Next chart",
    figureNoteShow: "Show the caption", figureNoteHide: "Hide the caption",
    figureOf: "of",
    dataAsOf: "DATA AS OF", madeOn: "Carried out", pageUpdated: "Page last updated", lastUpdate: "Last update",
    notFound: "Page not found", backIndex: "BACK TO HOME",
    skip: "Skip to content",
    titles: { home: "Home", percorso: "Background", progetti: "Projects", contatti: "Contact", e404: "Page not found" }
  }
};

/* Le rotte hanno slug italiani in entrambe le lingue, così un link condiviso
   resta valido qualunque lingua abbia scelto chi lo apre. */
const ROUTES = ["percorso", "progetti", "contatti"];

/* Gli strumenti mostrati come quadratini sotto il titolo di ogni scheda. Il nome
   è lo stesso nelle due lingue, perché sono nomi propri, quindi la tabella è una
   sola. I file stanno in assets/icone/ e li prepara lavorazione/_strumenti/icone.py.
   Il foglio di calcolo è disegnato invece che scaricato: il logo di Excel è un
   marchio Microsoft e le raccolte libere lo hanno tolto. */
const TOOLS = {
  python:     { file: "python.svg",     label: "Python" },
  r:          { file: "r.svg",          label: "R" },
  typescript: { file: "typescript.svg", label: "TypeScript" },
  cloudflare: { file: "cloudflare.svg", label: "Cloudflare" },
  claude:     { file: "claude.svg",     label: "Claude Code" },
  obsidian:   { file: "obsidian.svg",   label: "Obsidian" },
  sqlite:     { file: "sqlite.svg",     label: "SQLite" },
  foglio:     { file: "foglio.svg",     label: "Excel" }
};