Leonardo Cella
Leonardo Cella è un quantitative power trader specializzato in machine learning, statistica e metodi computazionali. Ha un dottorato di ricerca in Informatica conseguito all’Università degli Studi di Milano e una laurea magistrale in Computer Science and Engineering al Politecnico di Milano, con specializzazione in machine learning.
Ha base a Milano. Guida come Lead Quantitative Power Trader l’attività quantitativa di Duferco Energia, dopo un percorso che ha attraversato la ricerca accademica, la data science applicata ai mercati dell’energia e un periodo in Amazon come Applied Scientist.
La competenza che porta nel Comitato
Nel Comitato Tecnico-Scientifico, Leonardo Cella rappresenta l’incontro fra ricerca di livello accademico e sistemi che operano in produzione con vincoli reali di tempo e di rischio. È una combinazione utile al Comitato quando si tratta di distinguere un risultato solido da un risultato che regge soltanto sui dati di prova.
Porta inoltre l’esperienza di un settore, quello dei mercati dell’energia, in cui i modelli di apprendimento automatico prendono decisioni operative continue e vengono giudicati sui risultati: un banco di prova severo per le buone pratiche che il Comitato elabora.
Metodi quantitativi e intelligenza artificiale sui mercati dell’energia
In Duferco Energia, dal 2024, ha costruito da zero un sistema di trading algoritmico automatico, attivo senza interruzioni e a bassa latenza, per il mercato infragiornaliero continuo italiano, e ne ha guidato la definizione e l’implementazione delle strategie. Ha esteso a diversi mercati europei l’impianto sviluppato per l’Italia e ha guidato lo sviluppo di un modello interno di previsione della produzione eolica basato su apprendimento automatico.
Guida le iniziative di intelligenza artificiale e machine learning dentro la divisione trading e ha costruito il gruppo quantitativo, selezionando e coordinando i suoi analisti. Prima, in Axpo Italia, è stato Senior Data Scientist su previsioni di portafoglio e su applicazioni di machine learning al trading di sbilanciamento.
Bandit, meta-learning e apprendimento sequenziale
Il dottorato, discusso all’Università degli Studi di Milano con una tesi su efficienza e realismo nei bandit stocastici, si è concentrato sull’apprendimento per rinforzo. Dal 2020 al 2022 è stato ricercatore post-dottorato al gruppo Computational Statistics and Machine Learning dell’Istituto Italiano di Tecnologia, dove ha lavorato su bandit non stazionari e meta-learning, in collaborazione con ricercatori di META, Google ed École Polytechnique.
I lavori di quel periodo sono stati pubblicati nelle principali sedi del machine learning: NeurIPS, AISTATS e ICML. In precedenza, come Applied Scientist in Amazon, aveva sviluppato un algoritmo di sequenziamento per le stazioni musicali.
Nel Comitato Tecnico-Scientifico
Nomina effettiva dal 21 settembre 2026.
Il Comitato Tecnico-Scientifico di AIPIA · L’annuncio della nomina
