2022/2023

IT для финансистов

Статус: Маго-лего

Кто читает: Практико-ориентированные магистерские программы факультета экономических наук

Когда читается: 1, 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Курочкин Сергей Владимирович, Томтосов Александр Федорович

Язык: русский

Кредиты: 6

Контактные часы: 44

Программа дисциплины

Аннотация

В рамках курса студенты изучают современные инструменты анализа данных, осваивают основы Python. Курс состоит из двух блоков базовыми "Основы машинного обучения" "Тестирование инвестиционных стратегий на Python". Блок "Основы машинного обучения" дает базовые навыки применения инструментальных средств решения задач машинного обучения. Блок "Тестирование инвестиционных стратегий на Python" направлен на изучение базовых концепций системного тестирования биржевых аномалий. Основным методом изучения биржевых аномалий или рыночных не эффективностей в программе является симуляция рыночно-нейтральных портфелей и расчет статистических метрик на основе ряда доходности и состава портфеля. Данный блок является практико-ориентированным и охватывает большую часть процессов при реализации количественных стратегий на фондовом рынке: выгрузка биржевых данных, обработка полученных данных, построение стратегии и проверка устойчивости результатов. В процессе изучения материалов курса учащиеся протестируют аномалии momentum, value и size на примере акций российского фондового рынка, иностранных рынков и биржевых фондов. По окончанию курса учащиеся построят собственные стратегии на Python для оценки преподавателем.

Цель освоения дисциплины

• - Целью дисциплины является практическое ознакомление студентов с современными задачами обработки информации и анализа данных и инструментарием их решения в финансовой деятельности. -Получение технических навыков для выгрузки и обработки биржевых данных и построения инвестиционных стратегий. - Навыками оценки устойчивости результатов стратегий при разной рыночной конъюнктуре, внешних шоках и практических особенностях при работе на бирже. - Получение знаний о распространенных ошибках при тестировании биржевых аномалий. Например, таких как look-a-head bias, отсутствие учета ликвидности инструментов, вероятного market impact и транзакционных издержек при ребалансировке портфеля.

Планируемые результаты обучения

• владеть: базовыми навыками применения инструментальных средств решения задач машинного обучения, основами программирования на языке Python.
• знает природу и постановку основных классов информационных задач в практике финансовой деятельности,  принципиальное математическое содержание современных методов машинного обучения.
• умеет оценивать качество данных с точки зрения достаточности для использования в практических задачах;  определять тип и особенности реальной задачи анализа данных, возможности её решения и необходимые методы
• владеет базовыми навыками для построения инвестиционных стратегий, которые включают в себя теоретическую подготовку, знание базовых команд в Python, навыки работы с базами данных Yahoo Finance, SimFin и Quandl, прикладные библиотеки для работы с таблицами и тестирования стратегий: pandas, numpy и pqr.
• знает основные способы построения инвестиционных портфелей, методы задания весов в портфеле, основные параметры для периодов наблюдения за рынком и удержания позиций
• оценивает различные виды стратегий, понимать степень их практической реализуемости, проводить тесты на проверку устойчивости результатов

Содержание учебной дисциплины

• Блок 1. Введение в машинное обучение. Тема 1. Введение в машинное обучение
• Тема 2. Классические методы статистического анализа данных
• Тема 3. Математические основы машинного обучения
• Тема 4. Нейросетевые методы анализа данных.
• Тема 5. Специальные виды нейронных сетей.
• Тема 6. Примеры практической постановки и решения задач машинного анализа данных в среде Python
• Блок 2 "Построение торговых стратегий на Python". Автоматизация выгрузки биржевых данных. Yahoo Finance, MOEX и альтернативные данные. Обработка биржевых данных в pandas. Приведение к единому виду для сбора портфелей и др.

Элементы контроля

• Домашнее задание по блоку 1
• Задание по блоку 2

Промежуточная аттестация

• 2022/2023 учебный год 3 модуль
  0.5 * Задание по блоку 2 + 0.5 * Домашнее задание по блоку 1

Список литературы

Рекомендуемая основная литература

• Легкий способ выучить Python 3 еще глубже, Шоу, З. А., 2020
• Лонца, А. Алгоритмы обучения с подкреплением на Python : руководство / А. Лонца , перевод с английского А. А. Слинкина. — Москва : ДМК Пресс, 2020. — 286 с. — ISBN 978-5-97060-855-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179495 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Маккинни, У. Python и анализ данных / У. Маккинни , перевод с английского А. А. Слинкина. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2020. — 540 с. — ISBN 978-5-97060-590-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131721 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Омельяненко, Я. Эволюционные нейросети на языке Python : руководство / Я. Омельяненко , перевод с английского В. С. Яценкова. — Москва : ДМК Пресс, 2020. — 310 с. — ISBN 978-5-97060-854-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179494 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Основы Python. Научитесь мыслить как программист, Дауни, А., 2021
• Построение систем машинного обучения на языке Python : как извлечь больше информации из данных путем построения практичных систем машинного обучения на языке Python, Коэльо, Л. П., 2019
• Чернышев, С. А.  Основы программирования на Python : учебное пособие для среднего профессионального образования / С. А. Чернышев. — Москва : Издательство Юрайт, 2021. — 286 с. — (Профессиональное образование). — ISBN 978-5-534-15160-2. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/487638 (дата обращения: 28.08.2023).

Рекомендуемая дополнительная литература

• Aman Kedia, & Mayank Rasu. (2020). Hands-On Python Natural Language Processing : Explore Tools and Techniques to Analyze and Process Text with a View to Building Real-world NLP Applications. Packt Publishing.
• Derivatives analytics with Python : data analysis, models, simulation, calibration and hedging, Hilpisch, Y. J., 2015
• Lewinson, E. (2020). Python for Finance Cookbook : Over 50 Recipes for Applying Modern Python Libraries to Financial Data Analysis. Packt Publishing.
• Основы алгоритмизации и программирования на Python : учеб. пособие / С.Р. Гуриков. — М. : ФОРУМ : ИНФРА-М, 2020. — 343 с. — (Среднее профессиональное образование). - Режим доступа: http://znanium.com/catalog/product/1042452
• Язык программирования Python: практикум : учебное пособие / Р.А. Жуков. — Москва : ИНФРА-М, 2020. — 216 с. + Доп. материалы [Электронный ресурс]. — (Высшее образование: Бакалавриат). — www.dx.doi.org/10.12737/textbook_5cb5ca35aaa7f5.89424805. - Режим доступа: http://znanium.com/catalog/product/1045700

Авторы

• Сычева Вера Ивановна
• Курочкин Сергей Владимирович
• Томтосов Александр Федорович