Магистратура 2025/2026

Машинное обучение в финансах

Статус: Курс обязательный (Финансовые стратегии и аналитика)

Кто читает: Департамент экономики и финансов

Где читается: Факультет социально-экономических и компьютерных наук

Когда читается: 1-й курс, 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Кашин Дмитрий Викторович

Язык: русский

Кредиты: 3

Контактные часы: 36

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

Элементы контроля

• Семинары
  Микроконтроли на семинарах. Курс реализуется в онлайн формате на платформе МТС Линк.
• Онлайн-курс
  Пройти два онлайн-курса на платформе DataCamp
• Экзамен
  Тест на 30 вопросов
• ДКР
  Домашняя контрольная работа по машинному обучению

Промежуточная аттестация

• 2025/2026 3rd module
  0.3 * ДКР + 0.1 * Онлайн-курс + 0.2 * Семинары + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• 40 алгоритмов, которые должен знать каждый программист на Python, Ахмад, И., 2023
• A first course in machine learning, Rogers, S., 2012
• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Data Science в действии : пять реальных проектов Python, Апельцин, Л., 2023
• Entropy randomization in machine learning, Popkov, Y. S., 2023
• Introduction to machine learning, Alpaydin, E., 2020
• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
• Machine learning : a probabilistic perspective, Murphy, K. P., 2012
• Machine learning, Mitchell, T. M., 1997
• The hundred-page machine learning book, Burkov, A., 2019

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
• Борисова Елена Феликсовна