• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Магистерская программа «Финансовая экономика»

R Programming and Applications to Finance

2019/2020
Учебный год
ENG
Обучение ведется на английском языке
3
Кредиты
Статус:
Курс по выбору
Когда читается:
2-й курс, 2 семестр

Преподаватели

Course Syllabus

Abstract

The goal of this course is to introduce R programming for financial applications, focusing on Bayesian Methods, Big Data analysis, Volatility Modelling, Market Risk Management, Option Pricing and Portfolio Optimization. The course wants to bridge the gap between theory and practice and the applied aspects of financial models are emphasized throughout the course. The practical part contains many realworld cases for which R is an indispensable tool. Pre-requisites: We assume that the students have a background in statistics and econometrics. An introduction to the basic concepts of financial modelling will be provided.
Learning Objectives

Learning Objectives

  • At the conclusion of the course, students should be able to have:  Capability of self-development of new research methods, changing the scientific and production profile of activities
  •  Ability to use modern information technologies and software in professional activities, to set tasks for specialists in the development of R software for solving professional problems.
  •  Ability to prepare analytical materials for the assessment of economic policy and strategic decisionmaking at the micro-and macro-level.
  •  Ability to forecast the main socio-economic indicators of the enterprise, industry, region and the economy as a whole.
  •  Ability to make economic and financial organizational and managerial decisions in professional activities
Expected Learning Outcomes

Expected Learning Outcomes

  • be able to use the basic data types in R and to manipulate them
  • create advance graphics with ggplot2
  • be able to implement basic techniques like OLS or logit
  • be able to implement the basics of Bayesian methods in R
  • handle and clean large datasets with R
  • compute market risk measures in R
  • be able to backtest risk measures with R
  • be able to compute Mean-Variance optimal portfolios with R
  • be able to compute risk optimal portfolios with R
Course Contents

Course Contents

  • Introduction to R
    1.1 Basic data types (vector, data frame, list) 1.2 Fantastic data manipulation with dplyr 1.3 Long and wide tables with reshape2 1.4 Chef d’œuvre using grammar of graphics of ggplot2 1.5 Basic techniques like ols or logit
  • Bayesian approach with MCMC
    2.1 Bayesian approach, Markov chain Monte-carlo: theory 2.2Toy-example of MCMC with R 2.3Ready for use solutions in MCMCpack 2.4latest hit: spike and slab regression
  • Ideas for big data
    3.1 Fast data manipulation with data.table 3.2Use all the cores of your notebook with doMC (mac or linux only) 3.3Use Amazon EC2 if time permits
  • R methods for Volatility Modelling and Market Risk Management
    1.1 Risk measures 1.2 Univariate GARCHmodels 1.3 Multivariate GARCHmodels 1.4 Value at Risk using GARCH models 1.5 Backtesting VaRestimates 1.6 Realized Volatility (*time permitting)
  • R methods for Portfolio Management
    2.1 Introduction to Markowitz portfolio theory 2.2Mean-Variance portfolio: implementation in R 2.3Markowitz tangency portfolio and Long-only portfolio frontier 2.4Portfolio management using the R fPortfolio package 2.5Empirical Case study: Dow Jones index
  • R methods for Credit Risk Management
    An introduction to classical credit risk management Credit risk for Small and Medium-sized Enterprises (SMEs): the case of crypto-exchanges and crypto-currencies Forecasting the Probability of Default (PD) of exchanges: Expert and credit rating systems Forecasting the Probability of Default (PD) of exchanges: Credit Scoring Systems Forecasting the Probability of Default (PD) of exchanges: Machine learning Model Evaluation: ROC, AUC and Loss Functions Credit Risk for quoted firms: Merton’s Model and the Zero Price Probability (ZPP) (*) (*) If time permits
Assessment Elements

Assessment Elements

  • non-blocking take-home assessment
    Students who were unable to hand in the assignment due to a valid reason are assigned an additional date to do so.
  • non-blocking final exam
    Экзамен проводится в письменной форме с использованием синхронного прокторинга. Экзамен проводится на платформе https://hse.student.examus.net. К экзамену необходимо подключиться за 10 минут до начала. Проверку настроек компьютера необходимо провести заранее, чтобы в случае возникших проблем у вас было время для обращения в службу техподдержки и устранения неполадок. Компьютер студента должен удовлетворять требованиям: 8. Стационарный компьютер или ноутбук (мобильные устройства не поддерживаются); 9. Операционная система Windows (версии 7, 8, 8.1, 10) или Mac OS X Yosemite 10.10 и выше; 10. Интернет-браузер Google Chrome последней на момент сдачи экзамена версии (для проверки и обновления версии браузера используйте ссылку chrome://help/); 11. Наличие исправной и включенной веб-камеры (включая встроенные в ноутбуки); 12. Наличие исправного и включенного микрофона (включая встроенные в ноутбуки); 13. Наличие постоянного интернет-соединения со скоростью передачи данных от пользователя не ниже 1 Мбит/сек; 14. Ваш компьютер должен успешно проходить проверку. Проверка доступна только после авторизации. Для доступа к экзамену требуется документ удостоверяющий личность. Его в развернутом виде необходимо будет сфотографировать на камеру после входа на платформу «Экзамус». Также вы должны медленно и плавно продемонстрировать на камеру рабочее место и помещение, в котором Вы пишете экзамен, а также чистые листы для написания экзамена (с двух сторон). Это необходимо для получения чёткого изображения. Во время экзамена запрещается пользоваться любыми материалами (в бумажном / электронном виде), использовать телефон или любые другие устройства (любые функции), открывать на экране посторонние вкладки. В случае выявления факта неприемлемого поведения на экзамене (например, списывание) результат экзамена будет аннулирован, а к студенту будут применены предусмотренные нормативными документами меры дисциплинарного характера вплоть до исключения из НИУ ВШЭ. Если возникают ситуации, когда студент внезапно отключается по любым причинам (камера отключилась, компьютер выключился и др.) или отходит от своего рабочего места на какое-то время, или студент показал неожиданно высокий результат, или будут обнаружены подозрительные действия во время экзамена, будет просмотрена видеозапись выполнения экзамена этим студентом и при необходимости студент будет приглашен на онлайн-собеседование с преподавателем. Об этом студент будет проинформирован заранее в индивидуальном порядке. Во время выполнения задания, не завершайте Интернет-соединения и не отключайте камеры и микрофона. Во время экзамена ведется аудио- и видео-запись. Процедура пересдачи проводится в соотвествии с нормативными документами НИУ ВШЭ.
Interim Assessment

Interim Assessment

  • Interim assessment (2 semester)
    0.3 * final exam + 0.7 * take-home assessment
Bibliography

Bibliography

Recommended Core Bibliography

  • Andrew Ellis, Yohan Chalabi, Rmetrics Packages, Diethelm Würtz, & William Chen. (2009). Portfolio Optimization with R/Rmetrics Rmetrics Association & Finance Online. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.1F1CBB2F

Recommended Additional Bibliography

  • Alexander J. McNeil, Rüdiger Frey, & Paul Embrechts. (2015). Quantitative Risk Management: Concepts, Techniques and Tools Revised edition. Princeton University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.pup.pbooks.10496