Машинное обучение в финансах

2024/2025

Статус: Маго-лего

Кто читает: Департамент экономики и финансов

Когда читается: 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Кашин Дмитрий Викторович

Язык: русский

Кредиты: 3

Полная версия программы учебной дисциплины Задать вопрос

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