• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Machine learning in finance

2020/2021
Academic Year
RUS
Instruction in Russian
4
ECTS credits
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

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

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

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

Элементы контроля

  • неблокирующий Самостоятельная работа
  • неблокирующий Контрольная работа
  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

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

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