Анализ данных и моделирование рынка криптоактивов

Магистратура 2026/2027

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

Кто читает: Базовая кафедра инфраструктуры финансовых рынков

Где читается: Факультет экономических наук

Когда читается: 2-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

Владеть навыками эконометрического анализа и интерпретации результатов для объяснения характеристик криптовалют.
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.
Применять ИИ инструменты для разметки текстовых данных и формирования аналитических выводов.
Владеть навыками использования предобученных классификаторов (BERT, FinBERT, VADER) и других базовых языковых моделей в решении задач разметки текстовых данных и построения авторских индексов сентимента.
Применять подходы на основе ИИ при прогнозировании биржевых характеристик криптовалют и цифровых активов.
Оценивать предиктивную силу построенных индикаторов сентимента и моделей прогноза доходности.

Содержание учебной дисциплины

Тема 1. Входной тест на проверку навыков программирования на Python
Тема 2. Вводная лекция по рассмотрению особенностей функционирования, регулирования, анализа и обработки данных по рынку криптоактивов
Тема 3. Технические основы сбора данных из открытых источников: структура HTML-документа и HTTP-взаимодействие с веб-ресурсами рынка криптоактивов
Тема 4. Парсинг HTML-контента веб-страниц с использованием библиотеки BeautifulSoup для извлечения структурированных данных о криптоактивах
Тема 5. Автоматизация взаимодействия с динамическими веб-страницами рынка криптоактивов с использованием библиотеки Selenium
Тема 6. Проверочный тест на навыки сбора и парсинга данных, консультация по выполнению кейса
Тема 7. Эконометрические методы исследования рынка криптовалют
Тема 8. Продвинутое моделирование волатильности и оптимизация портфеля
Тема 9. Сентимент-анализ и построение авторских индикаторов на рынке криптоактивов
Тема 10. Проверочный тест на знание особенностей моделирования волатильности и портфельной оптимизации криптоактивов, консультация по выполнению кейса
Тема 11. Реализация индивидуальных проектов по анализу криптовалют

Элементы контроля

Тест по основам парсинга
Задания построены на прикладных кейсах: разбор и диагностика фрагментов кода парсера, в том числе с ошибками; работа с пагинацией, динамически подгружаемым контентом. Проверяет способность читать, диагностировать и адаптировать код.
Выполнение кейса по написанию парсера
Кейс по написанию парсера проходит через дистанционное выполнение практического задания по сбору данных на источнике.
Тест по портфельной оптимизации
Тест на знание методологии GARCH-моделирования волатильности, построения ковариационной матрицы, модели Блэка-Литтермана и сравнения подходов к оптимизации портфеля.
Выполнение кейса по оценке волатильности и оптимизации портфеля
Кейс проходит на основе дистанционного выполнения практического задания на выбранном студентом активе, включая базовое ядро активов, входящих в портфель. Студентом производится оценка волатильности, применение модели Блэка-Литтермана и оптимизация портфеля.
Защита проекта
Устная защита итогового индивидуального проекта (построение индекса сентимента, эконометрический анализ волатильности, применение модели Блэка-Литтермана, оптимизация портфеля) с ответами на вопросы комиссии/преподавателя по ходу изложения.

Промежуточная аттестация

2026/2027 2nd module
0.2 * Тест по основам парсинга + 0.2 * Тест по портфельной оптимизации + 0.2 * Выполнение кейса по написанию парсера + 0.2 * Защита проекта + 0.2 * Выполнение кейса по оценке волатильности и оптимизации портфеля

Список литературы

Авторы

Бакланова Валерия Сергеевна
Файзулин Максим Сергеевич
Теплова Тамара Викторовна

Программа дисциплины