IT для финансистов

Магистратура 2024/2025

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс по выбору (Финансовый инжиниринг)

Направление: 38.04.08. Финансы и кредит

Кто читает: Отдел сопровождения учебного процесса в магистратуре

Где читается: Факультет экономических наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Курочкин Сергей Владимирович, Томтосов Александр Федорович

Прогр. обучения: Финансовый инжиниринг

Язык: русский

Кредиты: 6

Дополнительные материалы в LMS Задать вопрос

Аннотация

В рамках курса студенты изучают современные инструменты анализа данных, осваивают основы Python и R. Курс состоит из двух блоков базовыми «Основы R для финансистов» и "Тестирование инвестиционных стратегий на Python". «Основы R для финансистов» является получение студентами общих представлений о программной среде R, ее возможностей для статистической обработки данных и создания графиков, способности решать в этой среде различные финансовые задачи, а также формирование навыков создания публикаций с расчетами и графиками в одной среде. Блок "Тестирование инвестиционных стратегий на Python" направлен на изучение базовых концепций системного тестирования биржевых аномалий. Основным методом изучения биржевых аномалий или рыночных не эффективностей в программе является симуляция рыночно-нейтральных портфелей и расчет статистических метрик на основе ряда доходности и состава портфеля. Данный блок является практико-ориентированным и охватывает большую часть процессов при реализации количественных стратегий на фондовом рынке: выгрузка биржевых данных, обработка полученных данных, построение стратегии и проверка устойчивости результатов. В процессе изучения материалов курса учащиеся протестируют аномалии momentum, value и size на примере акций российского фондового рынка, иностранных рынков и биржевых фондов. По окончанию курса учащиеся построят собственные стратегии на Python для оценки преподавателем.

Цель освоения дисциплины

- Целью дисциплины является практическое ознакомление студентов с современными задачами обработки информации и анализа данных и инструментарием их решения в финансовой деятельности. -Получение технических навыков для выгрузки и обработки биржевых данных и построения инвестиционных стратегий. - Навыками оценки устойчивости результатов стратегий при разной рыночной конъюнктуре, внешних шоках и практических особенностях при работе на бирже. - Получение знаний о распространенных ошибках при тестировании биржевых аномалий. Например, таких как look-a-head bias, отсутствие учета ликвидности инструментов, вероятного market impact и транзакционных издержек при ребалансировке портфеля.

Планируемые результаты обучения

владеть: базовыми навыками применения инструментальных средств решения задач машинного обучения, основами программирования на языке Python.
знает природу и постановку основных классов информационных задач в практике финансовой деятельности,  принципиальное математическое содержание современных методов машинного обучения.
умеет оценивать качество данных с точки зрения достаточности для использования в практических задачах;  определять тип и особенности реальной задачи анализа данных, возможности её решения и необходимые методы
владеет базовыми навыками для построения инвестиционных стратегий, которые включают в себя теоретическую подготовку, знание базовых команд в Python, навыки работы с базами данных Yahoo Finance, SimFin и Quandl, прикладные библиотеки для работы с таблицами и тестирования стратегий: pandas, numpy и pqr.
знает основные способы построения инвестиционных портфелей, методы задания весов в портфеле, основные параметры для периодов наблюдения за рынком и удержания позиций
оценивает различные виды стратегий, понимать степень их практической реализуемости, проводить тесты на проверку устойчивости результатов

Содержание учебной дисциплины

Блок 1. Введение в машинное обучение. Тема 1. Введение в машинное обучение
Тема 2. Классические методы статистического анализа данных
Тема 3. Математические основы машинного обучения
Тема 4. Нейросетевые методы анализа данных.
Тема 5. Специальные виды нейронных сетей.
Тема 6. Примеры практической постановки и решения задач машинного анализа данных в среде Python
Блок 2 "Построение торговых стратегий на Python". Автоматизация выгрузки биржевых данных. Yahoo Finance, MOEX и альтернативные данные. Обработка биржевых данных в pandas. Приведение к единому виду для сбора портфелей и др.

Элементы контроля

Домашнее задание по блоку 1
Блок 2. Практическая работа

Промежуточная аттестация

2024/2025 учебный год 2 модуль
0.5 * Блок 2. Практическая работа + 0.5 * Домашнее задание по блоку 1

Список литературы

Авторы

Курочкин Сергей Владимирович
Сычева Вера Ивановна
Томтосов Александр Федорович

Программа дисциплины