We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

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

Machine Learning in Finance

2024/2025
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Course type:
Compulsory course
When:
1 year, 3 module

Instructor

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

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

Содержание учебной дисциплины

  • Введение
  • Введение в программирование на Python
  • Введение в машинное обучение
  • Методы машинного обучения
  • Заключение
Элементы контроля

Элементы контроля

  • неблокирующий ДКР
    Домашняя контрольная работа по машинному обучению
  • неблокирующий Семинары
    Микроконтроли на семинарах
  • неблокирующий Экзамен
    Тест на 30 вопросов
  • неблокирующий Онлайн-курс
    Пройти два онлайн-курса на платформе DataCamp
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 3rd module
    0.3 * ДКР + 0.1 * Онлайн-курс + 0.2 * Семинары + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

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

Рекомендуемая дополнительная литература

  • 9781491912140 - Vanderplas, Jacob T. - Python Data Science Handbook : Essential Tools for Working with Data - 2016 - O'Reilly Media - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1425081 - nlebk - 1425081
  • Matt Taddy. (2019). Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. McGraw Hill.
  • 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

Авторы

  • Кашин Дмитрий Викторович
  • Божья-Воля Анастасия Александровна
  • Завертяева Марина Александровна