Аннотации курсов специализации Анализ данных в экономике и финансах

Цели курса:

• изучение основных положений макроэкономической теории и принципов макроэкономической политики;
• понимание логики и механизма макроэкономических процессов;
• овладение аналитическим аппаратом и инструментарием исследования современных экономических проблем;
• сформировать экономический образ мышления.

Тематический план

1. Введение в макроэкономическую теорию

2. Равновесие товарного рынка. Модель «Кейнсианского креста»

3. Фискальная политика: ее цели, инструменты и механизм

4. Равновесие финансового рынка. Теория «предпочтения ликвидности»

5. Монетарная политика: ее цели, инструменты и механизм

6. Равновесие товарного и финансового рынков: модель IS-LM. Макроэкономическая политика и ее последствия в закрытой экономике

7. Равновесие рынка труда и совокупное предложение

8. Модель совокупного спроса – совокупного предложения

10. Макроэкономическая нестабильность: безработица и инфляция.

11. Кривая Филлипса как модель совокупного предложения   

12. Проблемы и противоречия макроэкономической политики в закрытой экономике

13. Экономический рост, Модель Солоу. Модели эндогенного роста.  

14. Открытая экономика. Равновесие валютного рынка. Модель IS-LM-ВР   

15. Макроэкономическая политика и ее последствия в открытой экономике

Литература:
Бланшар О. - Макроэкономика - Издательский дом Высшей школы экономики – 2015.
Макроэкономика : учебник для вузов, Дорнбуш Р., Фишер С., 1997.

Микроэкономика – фундамент экономической теории. Она изучает индивидуальное поведение двух центральных экономических агентов, потребителя и производителя, и их взаимодействия. Усвоив базовые принципы микроэкономической теории, слушатели смогут применять их к анализу самых разных социально-экономических ситуаций, которые на первый взгляд могут показаться совершенно непохожими. Роль микроэкономической теории в образе мышления экономистов очень велика, и ее эхо слышится практически в любых разделах экономической науки. В курсе рассматриваются такие темы как теория поведения потребителя, теория поведения производителя, квазилинейная экономика: случай совершенной конкуренции, монополия и ценовая дискриминация, олигополия. Настоящая программа учебной дисциплины «Микроэкономика» устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 38.04.01 «Экономика» подготовки магистров, обучающихся по образовательной программе «Экономический анализ»

Литература:
Микроэкономика. Принципы и анализ : учебник, Коуэлл Ф., Демидовой А. В., 2011.
Микроэкономика : задачи и решения: учеб. пособие для вузов, Левина Е. А., Покатович Е. В., 2007
Микроэкономика. Промежуточный уровень : сборник задач с решениями и ответами: учеб. пособие, Балакина Т. П., Левина Е. А., 2013
Сборник задач по курсу микроэкономики продвинутого уровня, Бусыгин В. П., Покатович Е. В., 2007

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента, и определяет содержание и виды учебных занятий и отчетности. Материал курса предназначен для использования в курсах, связанных с количественным анализом динамики реальных экономических явлений, таких как, например, макроэкономика, прикладная макроэкономика, теория финансов и других.

В результате обучения слушатель:

• Знакомится с основными понятиями теории случайных процессов.
• Умеет различать процессы ARMA(p,q) и рассчитывать их характеристики
• Умеет оценивать коэффициенты моделей ARMA.
• Умеет построить как точечный, так и интервальный прогноз по модели ARMA.
• Понимает различие между стационарными и нестационарными рядами, умеет приводить ряды к стационарному виду.
• Умеет тестировать наличие единичного корня, понимает особенности распределения тестовой статистики.
• Умеет проводить тесты на наличие экзогенных и эндогенных структурных сдвигов.
• Умеет тестировать тип нестационарнности.
• Уметь тестировать три типа экзогенности.

Тематический план:

1. Визуализация и наивные модели рядов. Классификация рядов с помощью DTW (dynamic time warping).
2. ETS модели (также известны как экспоненциальное сглаживание)
3. ARIMA модели (в том числе сезонные).
4. Периодические регрессоры, спектр временного ряда.
5. Модели пространства состояний на примере UCM.
6. Фильтр Калмана
7. Байесовский подход на примере модели PROPHET.

Рекомендуемая основная литература

• Канторович Г.Г. (2002). Лекции: Анализ Временных Рядов. Higher School of Economics Economic Journal Экономический Журнал Высшей Школы Экономики, (1), 85.
• Канторович Г.Г. (2002). Лекции: Анализ временных рядов.
• Канторович Г.Г. (2002). Лекции: Анализ временных рядов. Экономический Журнал Высшей Школы Экономики, (1).
• Канторович, Г. (2002). Лекции: Анализ Временных Рядов. Экономический Журнал Высшей Школы Экономики, (3). R
• Путеводитель по современной эконометрике : учеб. пособие для вузов, Вербик М., Банникова В. А., 2008

Материал курса предназначен для использования в курсах, связанных с количественным анализом динамики реальных экономических явлении, таких как, например, макроэкономика, прикладная макроэкономика, теория финансов и других.

Тематический план

1. Кажущиеся тренды и регрессионные зависимости. Тест Дикки-Фуллера на наличие единичных корней.
2. Тесты на единичные корни со структурными сдвигами.
3. Методика исследования типа нестационарности временного ряда TS или DS.
4. Регрессионные динамические модели. Авторегрессионые модели с распределенными лагами (ADL). Понятие экзогенности. Слабая, сильная и супер-экзогенность переменных. Причинность по Грэнджеру (Granger causality).
5. Коинтеграция временных рядов. Коинтеграция и модель коррекции ошибками (Error Correction Model).
6. Многомерные временные ряды. Структурная и приведенная формы многомерных моделей. Модели векторной авторегрессии (VAR).
7. Структурные модели векторных авторегрессий (SVAR).
8. Коинтеграция временных рядов. Коинтеграционная регрессия. Тестирование коинтеграции. Тест Йохансана. Модели векторных коррекций ошибками (VECM).  Структурные модели векторных коррекций ошибками (SVECM). Теорема Гренджера о представлении.

Рекомендуемая основная литература

• Канторович Г.Г. (2002). Лекции: Анализ Временных Рядов. Higher School of Economics Economic Journal Экономический Журнал Высшей Школы Экономики, (1), 85.
• Канторович Г.Г. (2002). Лекции: Анализ временных рядов.
• Канторович Г.Г. (2002). Лекции: Анализ временных рядов. Экономический Журнал Высшей Школы Экономики, (1).
• Канторович, Г. (2002). Лекции: Анализ Временных Рядов. Экономический Журнал Высшей Школы Экономики, (3). R
• Путеводитель по современной эконометрике : учеб. пособие для вузов, Вербик М., Банникова В. А., 2008

В этом курсе речь пойдет о специфике работы с панельными данными, т.е. данными, описывающими поведение выборки людей, семей, домохозяйств, предприятий, регионов и стран в динамике. Эти данные представляют собой результаты продолжительного наблюдения над пространственными выборками одних и тех же объектов.

Панельные данные поступают часто из опросов домохозяйств или предприятий, которые предоставляют широкий спектр типов экономического поведения этих объектов. Использование панельных данных в анализе позволяет провести адекватный учет неоднородности экономических агентов в эконометрических моделях. Анализируя пространственную выборку объектов, собранную в конкретный момент времени, исследователь не имеет доступа к индивидуальной эволюции объектов во времени и не может адекватно отразить в моделях ее неоднородность. Панельные данные предоставляют широкие возможности исследования и учета индивидуальной динамики объектов выборки во всем разнообразии.

Для изучения этого раздела курса необходимо знание теории вероятностей, математической статистики, эконометрики, математического анализа и линейной алгебры.

 Тематический план:

1. Введение
2. Особенности оценивания моделей с панельными данными  в условиях гетероскедастичности и серийных корреляций случайных возмущений.
3. Оценивание коэффициентов панельных регрессий  в условиях эндогенности.
4. Обобщенный метод моментов и оценивание динамических моделей.
5. Оценивание моделей с дискретными и ограниченными зависимыми  переменными по панельным данным.
6. Методы борьбы с истощением выборки.
7. Модели со случайными коэффициентами.
8. Прогнозирование по моделям, построенным на панельных данных.

Литература

1. Вербик М. (2008). Путеводитель по современной эконометрике.  М. М.: «Научная книга»
2. Кэмерон Э.К., Триведи П.К. (2015). Микроэконометрика: методы и их применения. М.: «Дело»
3. Магнус Я. Р., Катышев П.К., Пересецкий А.А. (2004). "Эконометрика". М.: «Дело»
4. Ратникова Т.А., Фурманов К.К. (2014). Анализ панельных данных и данных о длительности состояний. М.: Издательский дом НИУ ВШЭ

Курс посвящен исследованию и использованию математических моделей, описывающих как развитие национальной экономики (или группы экономик) и их отдельных секторов, так и отдельных рынков. В качестве инструментов моделирования используются модели общего экономического равновесия и агентные модели.

Курс направлен на обучение студентов моделированию экономики. Тому, какие предположения и упрощения приходится принимать, чтобы построить практичную модель.  Общим приемам моделирования, таким как: переход от микроописаний к макромоделям (агрегирование), сочетание нормативного (как должно быть) с дескриптивным (как бывает) и структурного (из чего сделано) с функциональным (как работает) подходов на разных уровнях и объектах моделирования. Демонстрацией методов качественного анализа результатов моделирования. Умению различать то, что в экономике поддается моделированию, а что пока нет.

Для этого в курсе проводится построение и анализ одной довольно типичной, но оригинальной динамической модели общего равновесия. Построение проводится «с самого начала» с систематическим обсуждением различных альтернатив описания и используемых в мировой практике моделирования неизбежных упрощений.

Программа курса

1. Концепция оптимизационных и равновесных моделей.
2. Формулировка задач экономических агентов: ограничения в виде равенств и неравенств, функционал, терминальное условие.
3. Решение оптимизационных задач экономических агентов.
4. Условия равновесия в модели и техника нахождения общего равновесия.
5. Подходы к идентификации параметров модели, прикладные вопросы использования оптимизационных и агентных моделей. - исследование возможности использования результатов микровзаимодействий в моделях общего экономического равновесия в качестве ограничений в задачах агентов. 

Литература

Уикенс М. Макроэкономическая теория: подход динамического общего равновесия, 2015

Петров А.А., Поспелов И.Г., Шананин А.А. Опыт математического моделирования экономики, 1996

Целью данного курса является обучение слушателей методам построения математических моделей для волатильности финансовых временных рядов, включая модели со структурными изменениями, а также методами применения таких моделей для исследования финансовых задач.

Под волатильностью цены финансового инструмента обычно понимают некоторую меру изменчивости цены этого финансового инструмента. Волатильность — один из основных показателей, которые характеризуют риск финансового инструмента. Точная оценка волатильности финансового инструмента является важной прикладной задачей, поскольку неправильный расчет и прогноз волатильности приводят к неадекватному восприятию риска агентами, принимающими решения, и зачастую служит причиной существенных убытков, которые эти агенты несут.

Основные разделы курса:

1. Понятие волатильности. Прикладные задачи, в которых возникает необходимость корректного расчета волатильности.
2. GARCH-модель.
3. Тесты на наличие GARCH-эффекта.
4. Методы оценивания параметров GARCH-модели.
5. Оценивание стандартных ошибок коэффициентов для GARCH-модели.
6. Построение доверительных интервалов для коэффициентов GARCH-модели.
7. Тестирование гипотез относительно коэффициентов GARCH-модели. Тест отношения правдоподобия.
8. Подбор адекватной GARCH-модели.
9. Примеры оценки GARCH-моделей на симулированных данных.
10. Примеры оценки GARCH-моделей на реальных данных. Приложения к задачам из риск-менеджмента и теории финансов.
11. Различные модификации GARCH-моделей: EGARCH-, TARCH-, HARCH-, GARCH-in-mean-, GJR-GARCH-модели.
12. Структурные сдвиги в моделях для волатильности и методы их обнаружения.

Основная литература:

1. Ширяев А. Н. Основы стохастической финансовой математики : В 2 т. Т. 1 : Факты, модели. — М. : МЦНМО, 2016.
2. Greene W.H. Econometric Analysis. Prentice Hall, 2012.
3. Tsay R. S. Analysis of Financial Time Series. John Wiley & Sons, 2010.
4. Brooks С. Introductory Econometrics for Finance. Cambridge University Press, 2014.
5. Kokoszka P., Leipus R. (2000). Change-point estimation in ARCH models. Bernoulli, 6 (3), 513–539.
6. Inclán C., Tiao G. (1994). Use of cumulative sums of squares for retrospective detection of changes of variance. Journal of the American Statistical Association, 89 (427), 913–923.
7. Борзых Д. А., Хасыков М. А. Процедура уточнения ICSS алгоритма обнаружения структурных сдвигов в GARCH-моделях // Прикладная эконометрика. 2018. Т. 51. С. 126-139.

Курс «Микроэконометрика» посвящен моделям, описывающим ситуацию, когда в качестве зависимой переменной в эконометрической модели выступает переменная, характеризующая наличие или отсутствие некоторого качества рассматриваемого объекта. Такие модели называются моделями вероятностного выбора. Сфера применений моделей вероятностного выбора чрезвычайно широка. Классическими примерами их применения являются задачи прогнозирования долей рынка и дефолтов компаний, модели голосования/предпочтения, уравнения занятости, моделирование уровня образования и многие другие задачи, в которых требуется определить детерминанты некоторого выбора и спрогнозировать его вероятность. В дополнение к моделям вероятностного выбора в курсе рассматриваются также модели с ограниченными значениями зависимой переменной. Это модели Тобина и Хекмана, позволяющие работать с так называемыми усеченными выборками, и с выборками, подверженными смещению отбора. Для успешного усвоения курса слушателям необходимо иметь базовые знания по теории вероятностей, математической статистике и эконометрике. Курс носит прикладной характер. Изложение теоретических подходов к оцениванию рассматриваемых в курсе моделей сопровождается практическими примерами и выполнением компьютерных заданий с использованием пакета R и баз данных РОССТАТа, RLMS и других. Материал курса предназначен для использования в дисциплинах, связанных с эмпирическим анализом реальных экономических явлений, в курсах макро- и микро- экономики, при выполнении исследований в ходе подготовки ВКР.

Содержание учебной дисциплины

• Модели бинарного выбора

• Модели множественного выбора

• Модели с ограниченными значениями зависимой переменной

Рекомендуемая основная литература

• Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics : Methods and Applications. New York, NY: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=138992

• Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics. Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.cup.cbooks.9780521848053

• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2004

• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2005

• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2007

Рекомендуемая дополнительная литература

• A. Colin Cameron, & Pravin K. Trivedi. (2010). Microeconometrics Using Stata, Revised Edition. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.musr

Курс направлен на ознакомление с основами современных методов машинного обучения (ML) и примерами их использования в макроэкономических исследованиях. Отдельное внимание будет уделено ключевым аспектам, на которые стоит обратить внимание при построении рассмотренных алгоритмов. В рамках вебинаров, обучающиеся смогут на практике ознакомиться с основами программирования на языке Python и закрепить свои значения в рамках выполнения групповых проектов.

Содержание учебной дисциплины

• Альтернативные источники данных: их использование в задачах макроаналитики.

• Знакомство с базовыми моделями машинного обучения (регрессии с регуляризацией)

• Понятие кросс-валидации и метрик качества на примере решения задачи банковского надзора.

• Задачи классификации и кластеризации. Пример предсказания успела стартапа.

• Использование моделей на основе деревьев решений в задачах банковского надзора.

• Использование методов машинного обучения в макроэкономическом прогнозировании.

• Использование текстового анализа в экономике.

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008

• The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017

Рекомендуемая дополнительная литература

• Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017

• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018

Курс «Оценка эффективности программ с государственным участием» носит междисциплинарный характер, изложенный в нем материал находится на стыке таких дисциплин, как «Инвестиционный анализ», «Анализ издержек и выгод», «Экономика общественного сектора», «Эконометрика» имеет как теоретическую, так и практическую направленность.  

В данном курсе  рассматриваются особенности инвестиций с участием государства и методы их оценки, показывается общность и различие оценки коммерческой и общественной эффективности проектов и программ, демонстрируются методы экономических оценок в общественном секторе.  Рассматриваются методы отбора инвестиционных программ и проектов для финансирования с учетом соотношения издержек и выгод, в т.ч. в условиях жесткого бюджетного ограничения. Отдельное внимание уделяется вопросам идентификации и оценки рисков, связанных с реализацией инвестиционных проектов. В курсе будут рассмотрены современные эконометрические методы оценки эффектов программ.

Приобретенные навыки могут применяться не только в отраслях общественного сектора, но и в процессе оценки проектов частного сектора, реализация которых приводит к возникновению внешних эффектов, имеющих общественную значимость.

Тематический план:

1. Специфика оценки государственных программ. Оценка инвестиционного проекта с точки зрения экономических интересов общества. Процедура экономического анализа проектов с государственным участием и ее отличие от финансового анализа, применяемого для оценки инвестиционных проектов в частном секторе.
2. Стоимость денег во времени.  Понятие текущей стоимости.
3. Методы оценки инвестиций в условиях определенности. Анализ затраты-выгоды.
4. Оценка выгод от инвестиционного проекта как результат воздействия проекта на экономику страны/региона.  Финансовый анализ проектов и программ.
5. Экономический анализ проектов и программ. Оценка затрат, связанных с реализацией инвестиционных проектов и программ в общественном секторе. Учет внешних эффектов.
6. Принятие инвестиционных решений в условиях инфляции. Коммерческая и социальная ставка дисконтирования.
7. Принятие решений в условиях неопределенности. Оценка рисков проектов и программ.
8. Оценка эффектов воздействия программ эконометрическими методами. Оценка эффекта воздействия в идеальном эксперименте. Метод разность разностей. Локальный средний эффект воздействия. Синтетическая контрольная группа.
9. Разрывный регрессионный дизайн. Четкий и нечеткий разрывный регрессионный дизайн.

Основная литература:

Якобсон Л.И. Экономика общественного сектора: учебник для вузов, 2014

Barry P. Keating and Maryann O. Keating. Basic Cost-Benefit Analysis for Assessing Local Public Projects, 2017.

Картаев Ф. Дружелюбная эконометрика. Электронный учебник: https://books.econ.msu.ru/Introduction-to-Econometrics/

Angrist J. D., Pischke J.-S. (2009). Mostly harmless econometrics: an empiricist's companion.

Wooldridge J. M. (2020). Econometric Analysis of Cross Section and Panel Data.

Дополнительная литература:

Липсиц И.В. Инвестиционный анализ: подготовка и оценка инвестиций в реальные активы: учебник, 2016.

Ньюи У. (2009). Эффекты воздействия. Квантиль №6: http://quantile.ru/06/06-WN.pdf

Вулдридж Дж. Оценивание методом «разность разностей». (2009). Оценивание методом «разность разностей». Квантиль №6: http://quantile.ru/06/06-JW.pdf

Ниворожкин А. (2009). Разрывный дизайн. Квантиль №7: http://quantile.ru/07/07-AN.pdf

Курс посвящен использованию методов машинного обучения для прогнозирования экономических показателей и оценивания эффектов воздействия в экономических исследованиях. Эти навыки позволят слушателям курса решать широкий класс задач, таких как построение скоринговых моделей и прогнозирование поведения клиентов, а также оценивании эффективности государственных программ и решений в бизнесе.

Тематический план

1. Байесовский классификатор, наивный байесовский классификатор, байесовские сети

2. Метод ближайших соседей

3. Решающие деревья и случайный лес

4. Логистическая регрессия

5. Метод опорных векторов

6. Нейронные сети

7. Ансамблевые методы машинного обучения: бэггинг и градиентный бустинг

8. Оценивание эффектов воздействия

9.  Использование методов машинного обучения в эконометрическом анализе

10. Регуляризация

11. Методы оценивания качества прогнозов

12. Введение в численную оптимизацию, градиентный спуск

13. Большие языковые модели и введение в трансформеры

Литература

1. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Fundamentals of machine learning for predicting data analytics. The MIT Press. 2020.

2. Kevin P. Murphy. Machine learning a probabilistic perspective. The MIT Press. 2012.

3. Bruce Hansen. Econometrics. Princeton University Press. 2022.