Machine Learning in Finance

2024/2025

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

School of Economics and Finance

Course type:

Compulsory course

When:

1 year, 3 module

Instructor

Kashin, Dmitry

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

• 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

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

Элементы контроля

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

Промежуточная аттестация

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

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