Анализ данных и моделирование рынка криптоактивов

Магистратура 2025/2026

Статус: Курс по выбору (Финансовые рынки и финансовые институты)

Кто читает: Базовая кафедра инфраструктуры финансовых рынков

Где читается: Факультет экономических наук

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Бакланова Валерия Сергеевна, Теплова Тамара Викторовна

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Анализ данных и моделирование на рынке криптоактивов» рассчитан на студентов, заинтересованных в применении продвинутых методов искусственного интеллекта в приложении к рынку криптоиндустрии и имеющих навыки программирования (Питон начального уровня). Курс практикоориентированный, нацелен на раскрытие особенностей функционирования и регулирования рынков криптовалют, криптоактивов, децентрализованных финансов, поиска информации по ним, обработки данных и применения современных методов выявления зависимостей, а также прогнозирования. С помощью языка программирования Питон студенты освоят на практических примерах применение методов машинного обучения, эконометрических и статистических моделей (в том числе моделей условной волатильности семейства GARCH), инструментов генеративного искусственного интеллекта для данных высоковолатильных и подверженных внешним шокам сегментов рынка криптовалюты. Задачей курса является построение полного инвестиционно-аналитического цикла: от сбора и обработки данных через оценку волатильности и построение авторских парсеров, индикаторов сентимента до корректировки ожидаемой доходности и сравнения подходов к оптимизации портфеля. Из 56 аудиторных часов 52 часа составят семинарские занятия в компьютерном классе с разбором примеров и обсуждением результатов. Запись на курс предполагает входное тестирование или наличие ранее изученного курса Питон.

Цель освоения дисциплины

Целью учебной дисциплины «Анализ данных и моделирование на рынке криптоактивов» является ознакомление магистров с методами оценки биржевых характеристик криптовалют с помощью моделей машинного обучения, эконометрических и статистических подходов, а также инструментов искусственного интеллекта. В курсе затрагиваются такие продвинутые темы анализа данных, как майнинг текстовых данных, их обработка, а также использование моделей глубокого обучения и генеративного ИИ в рамках задачи построения индекса сентимента и оптимизации инвестиционного портфеля. Помимо инструментальной базы, студенты изучат теоретические основы рынка криптоактивов, его характеристики, а также основные особенности и отличия от классических финансовых рынков.
1. Получить знания о продвинутых методах искусственного интеллекта, включая генеративный ИИ, и их применении на рынке криптоактивов.
2. Разработать практические навыки в анализе и моделировании рынков криптовалют, криптоактивов и децентрализованных финансов.
3. Освоить методы обработки и анализа данных, выявления зависимостей и прогнозирования на рынке криптоактивов, включая моделирование волатильности и корректировку доходности криптоактивов.
4. Улучшить навыки работы с языком программирования Python для применения методов машинного обучения, эконометрических и статистических моделей, нейронных сетей и инструментов генеративного ИИ на данных высоковолатильных сегментов рынка криптоактивов.
5. Улучшить навыки работы с языком программирования Python для применения методов машинного обучения, эконометрических и статистических моделей, а также нейронных сетей на данных высоковолатильных и подверженных внешним шокам сегментов рынка криптоактивов.

Планируемые результаты обучения

Понимание основных понятий и технологий, связанных с криптовалютами и цифровыми активами, а также основных протоколов Defi и их принципов работы.
Знание основных эконометрических методов и моделей для анализа рынка криптовалют.
Умение проводить анализ взаимосвязей между криптовалютами и другими финансовыми инструментами, используя эконометрические модели.
Понимание неустойчивости криптоактивов и проблем с выборкой данных, а также необходимости учета нелинейных зависимостей и структурных изменений.
Понимание ограничений в использовании эконометрических моделей для прогнозирования криптоактивов и их важности в контексте более широкого экономического и финансового анализа.
Студенты приобретут знания о фунциях и инструментах библиотек Pandas, Numpy, Matplotlib и дополнительных инструментах, необходимых для работы с данными.
Смогут использовать Pandas для обработки и анализа данных, научатся осуществлять различные преобразования данных, а также графически отображать полученные результаты .
Студенты овладеют основами использования библиотек Request и Beautiful Soup для извлечения информации и научатся использовать алгоритмы поиска для получения нужных данных.
Cтуденты научатся запускать парсер текстовых и количественных данных и формировать первичный текстовый корпус и сводные таблицы количественных данных.
Анализировать особенности датасетов и способности определять лучшие нейросетевые модели для обработки входных данных.
Применять различные подходы к оптимизации архитектуры нейронных сетей и настройке набора гиперпараметров.
Применять методы бинарной и мультиклассовой классификации количественных данных.
Уметь предварительно обрабатывать текстовые данные, включая фильтрацию, очистку, лемматизацию и стемминг.
Уметь классифицировать текстовые данные с использованием моделей машинного обучения с учителем.
Владть навыками использования предобученных классификаторов Bert и FinBert в решении задач разметки текстовых данных.
Владеть навыками построения нейронных сетей для классификации текстовых массивов на основе использования Word Embedding.
Уметь оценивать качество моделей на основе измерения точности классификации сбалансированных и несбалансированных тренировочных датасетов.
Применять различные методы и подходы к анализу количественных и текстовых данных в области криптовалют.
Владеть навыками воспроизведения машинного и глубокого обучения для прогнозирования и классификации характеристик криптовалют.
Владеть навыками эконометрического анализа и интерпретации результатов для объяснения характеристик криптовалют.
Проверка навыков программирования на Python.
Оценивать риски и возможности, связанные с инвестированием в криптовалюты и цифровые активы, и принимать обоснованные решения на основе анализа этих рисков и возможностей.
Оценивать и сопоставлять возможные перспективы и путей развития криптовалют и цифровых активов, а также их возможные влияния на финансовую систему в целом.
Использовать полученные знания для анализа и оценки применимости технологии блокчейн и криптовалютных платформ для решения различных задач; использовать криптовалюты в качестве финансового инструмента; проводить аудит криптовалютных проектов.
Владеть основами использования библиотек Requests и Beautiful Soup для извлечения информации, уметь использовать алгоритмы поиска для получения нужных данных.
Применять Pandas для обработки и анализа данных, осуществлять различные преобразования данных, а также графически отображать полученные результаты.
Применять функции и инструменты библиотек Pandas, Numpy, Matplotlib и дополнительных инструментов, необходимых для работы с данными.
Запускать парсер текстовых и количественных данных и формировать первичный текстовый корпус и сводные таблицы количественных данных.
Применять основные эконометрические методы и модели для анализа рынка криптовалют, включая модели условной волатильности (GARCH-семейство).
Проводить анализ взаимосвязей между криптовалютами и другими финансовыми инструментами, используя эконометрические модели.
Определять ограничения в использовании эконометрических моделей для прогнозирования криптоактивов и их важность в контексте более широкого экономического и финансового анализа.
Строить модели условной волатильности (GARCH-семейство) и ковариационные матрицы активов.
Владеть навыками применения модели Блэка-Литтермана для корректировки ожидаемой доходности и ковариации активов.
Сравнивать подходы к оптимизации портфеля (Марковиц, Hierarchical Risk Parity, нейросетевые методы) и оценивать результаты по различным метрикам.

Содержание учебной дисциплины

Входной тест на проверку навыков программирования на Python.
Вводная лекция по рассмотрению особенностей функционирования, регулирования, анализа и обработки данных по рынку криптоактивов
Технические основы сбора данных из открытых источников: структура HTML-документа и HTTP-взаимодействие с веб-ресурсами рынка криптоактивов
Парсинг HTML-контента веб-страниц с использованием библиотеки BeautifulSoup для извлечения структурированных данных о криптоактивах
Автоматизация взаимодействия с динамическими веб-страницами рынка криптоактивов с использованием библиотеки Selenium
Проверочный тест на навыки сбора и парсинга данных
Эконометрические методы исследования рынка криптовалют
Продвинутое моделирование волатильности и оптимизация портфеля

Элементы контроля

Домашнее задание
Парсинг данных и разметка большого массива, тональность обсуждений

Промежуточная аттестация

2025/2026 2nd module
0.5 * Парсинг данных и разметка большого массива, тональность обсуждений + 0.5 * Домашнее задание

Список литературы

Авторы

Теплова Тамара Викторовна
Файзулин Максим Сергеевич
Бакланова Валерия Сергеевна
Куркин Алексей Викторович

Программа дисциплины