Machine learning in finance

2020/2021

Academic Year

RUS

Instruction in Russian

4

ECTS credits

Delivered at:

School of Economics and Finance

Course type:

Compulsory course

When:

1 year, 3, 4 module

Instructor

Литвинов Роман Викторович

Программа дисциплины

Аннотация

В рамках данного курса студенты смогут получить базовые знания программирования на языке на Python и познакомиться со всей необходимой для этого инфраструктурой и библиотеками (Jupyter notebook, Github, Pandas, Numpy, Sklearn, Matplotlib, etc). Мы разберемся в том, как работают основные методы и технологии машинного обучения, как для задач классификации, так и регрессии (от линейной/ логистической регрессии до случайных лесов и глубоких нейронных сетей). Внимание будет уделено процессу гипертюнинга параметров моделей, использованию бустинга, кросс-валидации и тп. Примеры использования данных технологий будут базироваться на задачах, связанных с факторным инвестированием в целом и предсказанием форвардных доходностей акций в частности. Для этого мы разберемся в процессах загрузки и обработки данных, визуализации, расчета факторов, тестирования идей и проч. Попутно студенты смогут получить знания о том, что такое факторное инвестирование, какие бывают факторы и в чем их смысл (risk/reversal, momentum, quality, growth, etc).

Цель освоения дисциплины

• Получить базовые навыки программирования на языке Python
• Изучить основные методы и технологии машинного обучения и научиться их успешно применять
• Ознакомиться с понятием факторного инвестирования и процессом предсказания (prediction) форвардной доходности акций с использованием различных факторов

Планируемые результаты обучения

• Умение работать в Anaconda, Jupyter notebook
• Владение базовым математическим аппаратом для понимания методов машинного обучения
• Умение применить на практике библиотеки языка Python numpy, matplotlib, pandas
• Владеет процессом предсказания (prediction) форвардной доходности акций с использованием различных факторов
• Знаком с понятием факторного инвестирования
• Знание основных методов машинного обучения, их особенностей и отличий
• Умение применить на практике методы машинного обучения на базе языка Python и соответствующих библиотек
• Понимание основных методов и моделей машинного обучения, их преимуществ и ограничений
• Понимание перспектив развития машинного обучения в финансах

Содержание учебной дисциплины

• Введение
  О чем этот курс. Краткое содержание. Организационные вопросы. Подготовительная работы (установка Anaconda, Jupyter notebooks, etc)
• Математика
  Функции, производная, интеграл. Линейная алгебра. Теория вероятностей. Статистика.
• Введение в программирование на Python
  Пакеты Numpy, Matplotlib, Pandas
• Факторное инвестирование
  Разновидности факторов и их смысл. Подготовка данных. Feature engineering.
• Введение в машинное обучение
  Особенности машинного обучения. Основные типы задач
• Методы машинного обучения
  Линейная регрессия. Лассо. Ридж. Нелинейная регрессия. Логистическая регрессия. Тюнинг гиперпараметров. Методы повторной выборки (resampling). Кросс-валидация. Бустинг. Деревья решений (decision trees). Случайные леса (random forest). Обобщенные линейные модели (generalized additive models). Глубокие нейронные сети (deep learning networks). Обучение с подкреплением (reinforcement learning).
• Заключение
  Темы для дальнейшего изучения. Видение: долгосрочное влияние ML/AI на финансы и эволюция профессии.

Элементы контроля

• Самостоятельная работа
• Контрольная работа
• Домашнее задание
• Экзамен

Промежуточная аттестация

• Промежуточная аттестация (4 модуль)
  0.3 * Домашнее задание + 0.2 * Контрольная работа + 0.2 * Самостоятельная работа + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.

Рекомендуемая дополнительная литература

• Seemon Thomas. (2014). Basic Statistics. [N.p.]: Alpha Science Internation Limited. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1663598
• Vanderplas, J. T. (2016). Python Data Science Handbook : Essential Tools for Working with Data (Vol. First edition). Sebastopol, CA: Reilly - O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1425081