• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Владение языками
английский
Контакты
Телефон:
28240
Адрес: Адрес: АУК "Покровский бульвар", Покровский б-р, д. 11, каб. S910
Расписание
ORCID: 0000-0002-2069-376X
Присутственные часы
По расписанию
Руководители
Лебедев С. А.
Лукьянченко П. П.
Версия для печати

 

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.

Зотов Глеб Александрович

  • Начал работать в НИУ ВШЭ в 2023 году.

Полномочия / обязанности

Участие в исследовательских проектах в сфере применения искусственного интеллекта в задачах финансовой математики.

 

Образование

2023

Бакалавриат: Национальный исследовательский университет «Высшая школа экономики», специальность «Прикладная математика и информатика»

Профессиональные интересы

Учебные курсы (2023/2024 уч. год)

Введение в программирование (Майнор; 1, 2 модуль)Рус

Публикации1

Статья Lukianchenko P., Zotov G. Change point analysis in Vasicek interest rate model // Doklady Mathematics. 2023 doi

Опыт работы

 

Май 2021 – Июнь 2022AО “FM Logistic”DWH Engineer
Октябрь 2022 – наст. времяAО “Единая Электронная Торговая Площадка”Аналитик Данных

 

 

 

 

 

 

 

 

Расписание занятий на сегодня

Полное расписание

Проектный семинар "Нейросетевой подход в задаче прогнозирования аномалий процентных ставок под воздействием коррелированных шумов"

На семинаре была представлена исследовательская работа, целью которой являлся анализ точек разрыва в стохастических моделях процентной ставки под воздействием цветных шумов. Исследовалось влияние цветных шумов на количество точек разрыва и их частоту, а также возможности их обнаружения с использованием нейросетевого подхода. Объектом исследования являлась стохастическая модель Васичека, которая используется для моделирования процентных ставок. Методология исследования включала в себя аппроксимацию численных решений модели методом Эйлера-Маруямы, калибровка параметров модели, а также адаптацию шага интеграции. Отдельно были рассмотрены методы обнаружения точек разрыва и их применение для сгенерированных данных. В качестве итога исследования представлены результаты работы моделей глубинного обучения для детекции точек разрыва в данных, сгенерированных под воздействием шумов.