Магистратура
2020/2021
Машинное обучение в финансах
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Финансовые стратегии и аналитика)
Направление:
38.04.08. Финансы и кредит
Кто читает:
Департамент экономики и финансов
Где читается:
Факультет экономики, менеджмента и бизнес-информатики
Когда читается:
1-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Литвинов Роман Викторович
Прогр. обучения:
Финансовые стратегии и аналитика
Язык:
русский
Кредиты:
4
Контактные часы:
34
Программа дисциплины
Аннотация
В рамках данного курса студенты смогут получить базовые знания программирования на языке на Python и познакомиться со всей необходимой для этого инфраструктурой и библиотеками (Jupyter notebook, Github, Pandas, Numpy, Sklearn, Matplotlib, etc). Мы разберемся в том, как работают основные методы и технологии машинного обучения, как для задач классификации, так и регрессии (от линейной/ логистической регрессии до случайных лесов и глубоких нейронных сетей). Внимание будет уделено процессу гипертюнинга параметров моделей, использованию бустинга, кросс-валидации и тп. Примеры использования данных технологий будут базироваться на задачах, связанных с факторным инвестированием в целом и предсказанием форвардных доходностей акций в частности. Для этого мы разберемся в процессах загрузки и обработки данных, визуализации, расчета факторов, тестирования идей и проч. Попутно студенты смогут получить знания о том, что такое факторное инвестирование, какие бывают факторы и в чем их смысл (risk/reversal, momentum, quality, growth, etc).
Цель освоения дисциплины
- Получить базовые навыки программирования на языке Python
- Изучить основные методы и технологии машинного обучения и научиться их успешно применять
- Ознакомиться с понятием факторного инвестирования и процессом предсказания (prediction) форвардной доходности акций с использованием различных факторов
Планируемые результаты обучения
- Умение работать в Anaconda, Jupyter notebook
- Владение базовым математическим аппаратом для понимания методов машинного обучения
- Умение применить на практике библиотеки языка Python numpy, matplotlib, pandas
- Владеет процессом предсказания (prediction) форвардной доходности акций с использованием различных факторов
- Знаком с понятием факторного инвестирования
- Знание основных методов машинного обучения, их особенностей и отличий
- Умение применить на практике методы машинного обучения на базе языка Python и соответствующих библиотек
- Понимание основных методов и моделей машинного обучения, их преимуществ и ограничений
- Понимание перспектив развития машинного обучения в финансах
Содержание учебной дисциплины
- ВведениеО чем этот курс. Краткое содержание. Организационные вопросы. Подготовительная работы (установка Anaconda, Jupyter notebooks, etc)
- МатематикаФункции, производная, интеграл. Линейная алгебра. Теория вероятностей. Статистика.
- Введение в программирование на PythonПакеты Numpy, Matplotlib, Pandas
- Факторное инвестированиеРазновидности факторов и их смысл. Подготовка данных. Feature engineering.
- Введение в машинное обучениеОсобенности машинного обучения. Основные типы задач
- Методы машинного обученияЛинейная регрессия. Лассо. Ридж. Нелинейная регрессия. Логистическая регрессия. Тюнинг гиперпараметров. Методы повторной выборки (resampling). Кросс-валидация. Бустинг. Деревья решений (decision trees). Случайные леса (random forest). Обобщенные линейные модели (generalized additive models). Глубокие нейронные сети (deep learning networks). Обучение с подкреплением (reinforcement learning).
- ЗаключениеТемы для дальнейшего изучения. Видение: долгосрочное влияние ML/AI на финансы и эволюция профессии.
Промежуточная аттестация
- Промежуточная аттестация (4 модуль)0.3 * Домашнее задание + 0.2 * Контрольная работа + 0.2 * Самостоятельная работа + 0.3 * Экзамен
Список литературы
Рекомендуемая основная литература
- James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
Рекомендуемая дополнительная литература
- Seemon Thomas. (2014). Basic Statistics. [N.p.]: Alpha Science Internation Limited. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1663598
- Vanderplas, J. T. (2016). Python Data Science Handbook : Essential Tools for Working with Data (Vol. First edition). Sebastopol, CA: Reilly - O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1425081