Магистратура
2023/2024
Анализ данных и моделирование рынка криптоактивов
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс по выбору (Финансовые рынки и финансовые институты)
Направление:
38.04.08. Финансы и кредит
Кто читает:
Базовая кафедра инфраструктуры финансовых рынков
Где читается:
Факультет экономических наук
Когда читается:
2-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Бакланова Валерия Сергеевна,
Куркин Алексей Викторович,
Теплова Тамара Викторовна,
Файзулин Максим Сергеевич
Прогр. обучения:
Финансовые рынки и финансовые институты
Язык:
русский
Кредиты:
6
Контактные часы:
56
Программа дисциплины
Аннотация
Курс «Анализ данных и моделирование на рынке криптоактивов» рассчитан на студентов, заинтересованных в применении продвинутых методов искусственного интеллекта в приложении к рынку криптоиндустрии и имеющих навыки программирования (Питон начального уровня). Курс практикоориентированный, нацелен на раскрытие особенностей функционирования и регулирования рынков криптовалют, криптоактивов (5 сегментов NFT), децентрализованных финансов, поиска информации по ним, обработки данных и применения современных методов выявления зависимостей, а также прогнозирования. С помощью языка программирования Питон студенты освоят на практических примерах применение методов машинного обучения, эконометрических и статистических моделей, нейронных сетей для данных высоковолатильных и подверженных внешним шокам сегментов рынка крипты. Из 60 аудиторных часов 56 часов составят семинарские занятия в компьютерном классе с разбором примеров и обсуждением результатов. Запись на курс предполагает входное тестирование или наличие ранее изученного курса Питон.
Цель освоения дисциплины
- Целью учебной дисциплины «Анализ данных и моделирование на рынке криптоактивов» является ознакомление магистров с методами оценки биржевых характеристик криптовалют с помощью моделей машинного обучения, а также эконометрических и статистических подходов. В курсе затрагиваются такие продвинутые темы анализа данных и машинного обучения, как майнинг текстовых данных, их обработка, а также использование моделей глубокого обучения в рамках задачи построения индекса сентимента. Помимо инструментальной базы, студенты изучат теоретические основы рынка криптоактивов, его характеристики, а также основные особенности и отличия от классических финансовых рынков.
- 1. Получить знания о продвинутых методах искусственного интеллекта и их применение в рынке криптоактивов.
- 2. Разработать практические навыки в анализе и моделировании рынков криптовалют, криптоактивов (включая сегменты NFT) и децентрализованных финансов.
- 3. Освоить методы обработки и анализа данных, выявления зависимостей и прогнозирования на рынке криптоактивов.
- 4. Получить знания о функционировании и регулировании рынков децентрализованных финансов.
- 5. Улучшить навыки работы с языком программирования Python для применения методов машинного обучения, эконометрических и статистических моделей, а также нейронных сетей на данных высоковолатильных и подверженных внешним шокам сегментов рынка криптоактивов.
- 6. Активное участие в семинарских занятиях, разборе примеров и обсуждении результатов, что способствует практическому применению полученных знаний.
Планируемые результаты обучения
- Использует полученные знания для анализа и оценки применимости технологии блокчейн и криптовалютных платформ для решения различных задач; использовать криптовалюты в качестве финансового инструмента; проводить аудит криптовалютных проектов;
- Понимание основных понятий и технологий, связанных с криптовалютами и цифровыми активами, а также основных протоколов Defi и их принципов работы.
- Умение оценивать риски и возможности, связанные с инвестированием в криптовалюты и цифровые активы, и принимать обоснованные решения на основе анализа этих рисков и возможностей.
- Понимаение возможных перспектив и путей развития криптовалют и цифровых активов, а также их возможного влияния на финансовую систему в целом.
- Осознание значимости изучения ML методов при прогнозировании цен на криптовалюты и цифровые активы, а также подготовка к работе в цифровой экономике и конкуренции в изменяющейся рыночной среде.
- Знание основных эконометрических методов и моделей для анализа рынка криптовалют.
- Умение проводить анализ взаимосвязей между криптовалютами и другими финансовыми инструментами, используя эконометрические модели.
- Понимание неустойчивости криптоактивов и проблем с выборкой данных, а также необходимости учета нелинейных зависимостей и структурных изменений.
- Понимание ограничений в использовании эконометрических моделей для прогнозирования криптоактивов и их важности в контексте более широкого экономического и финансового анализа.
- Студенты приобретут знания о фунциях и инструментах библиотек Pandas, Numpy, Matplotlib и дополнительных инструментах, необходимых для работы с данными.
- Смогут использовать Pandas для обработки и анализа данных, научатся осуществлять различные преобразования данных, а также графически отображать полученные результаты .
- Студенты овладеют основами использования библиотек Request и Beautiful Soup для извлечения информации и научатся использовать алгоритмы поиска для получения нужных данных.
- Cтуденты научатся запускать парсер текстовых и количественных данных и формировать первичный текстовый корпус и сводные таблицы количественных данных.
- Анализировать особенности датасетов и способности определять лучшие нейросетевые модели для обработки входных данных.
- Применять различные подходы к оптимизации архитектуры нейронных сетей и настройке набора гиперпараметров.
- Применять методы бинарной и мультиклассовой классификации количественных данных.
- Уметь предварительно обрабатывать текстовые данные, включая фильтрацию, очистку, лемматизацию и стемминг.
- Уметь классифицировать текстовые данные с использованием моделей машинного обучения с учителем.
- Владть навыками использования предобученных классификаторов Bert и FinBert в решении задач разметки текстовых данных.
- Владеть навыками построения нейронных сетей для классификации текстовых массивов на основе использования Word Embedding.
- Уметь оценивать качество моделей на основе измерения точности классификации сбалансированных и несбалансированных тренировочных датасетов.
- Применять различные методы и подходы к анализу количественных и текстовых данных в области криптовалют.
- Владеть навыками воспроизведения машинного и глубокого обучения для прогнозирования и классификации характеристик криптовалют.
- Владеть навыками эконометрического анализа и интерпретации результатов для объяснения характеристик криптовалют.
Содержание учебной дисциплины
- Входной тест на проверку навыков программирования на Python.
- Введение в нейросети. Подходы к оптимизации гиперпараметров модели.
- Практические аспекты обработки текстовых данных. Решение задач NLP и формирования текстовых корпусов для их последующей классификации.
- Реализация индивидуальных проектов по анализу криптовалют.
- Криптовалюты, цифровые активы и Defi-протоколы как специфический объект исследования.
- Эконометрические методы исследования рынка криптовалют.
- Использование библиотек Pandas, Numpy, Matplotlib для проведения исследования рынка криптовалют. Основы работы с API поставщиков данных и криптовалютных бирж.
- Алгоритмы построения базовых моделей машинного обучения (градиентный спуск, решающие деревья) для их проверки и оценки на устойчивость в процессе тестирования гипотез исследования.
Элементы контроля
- Домашняя работа 1
- Домашнее задание 2
- Защита индивидуального проекта
- Входное тестирование на знание языка Python
- Домашнее задание 3
Промежуточная аттестация
- 2023/2024 учебный год 2 модуль0.15 * Входное тестирование на знание языка Python + 0.15 * Домашнее задание 2 + 0.15 * Домашнее задание 3 + 0.15 * Домашняя работа 1 + 0.4 * Защита индивидуального проекта
Список литературы
Рекомендуемая основная литература
- Algorithms, blockchain & cryptocurrency : implications for the future of the workplace, Brown, G., 2020
- An introduction to applied econometrics : a time series approach, Patterson, K., 2000
- Analysis of financial time series, Tsay, R. S., 2005
- Introduction to natural language processing, Eisenstein, J., 2019
- Machine learning : beginner's guide to machine learning, data mining, big data, artificial intelligence and neural networks, Trinity, L., 2019
- Neural networks, Abdi, H., 1999
- Principles of artificial neural networks, Graupe, D., 2007
- Временные ряды. Обработка данных и теория, Бриллинджер, Д., 1980
- Изучаем pandas : высокопроизводительная обработка и анализ данных в Python, Хейдт, М., 2018
- Изучаем программирование на Python, Бэрри, П., 2017
- Многомерный статистический анализ и временные ряды, Кендалл, М., 1976
- Основы Data Science и Big data : Python и наука о данных, Силен, Д., 2017
- Основы Python : научитесь думать как программист, Дауни, А. Б., 2021
Рекомендуемая дополнительная литература
- Inclusive fintech : blockchain, cryptocurrency and ICO, Lee, D., 2018