Искусственный интеллект в NLP-анализе 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: 1-й курс, 3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 38

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Искусственный интеллект в NLP-анализе рынка криптоактивов» является углубленным продолжением дисциплины «Анализ данных и моделирование рынка криптоактивов» и предназначен для студентов, желающих освоить современные методы обработки естественного языка и глубокого обучения применительно к задачам анализа и прогнозирования криптовалютных рынков. Курс фокусируется на практическом применении продвинутых архитектур нейронных сетей (CNN, TCN, LSTM, BERT, GPT, FinBERT) для анализа текстовых данных из социальных сетей, новостных лент, форумов и блокчейн-платформ. Студенты освоят методы построения предиктивных моделей для прогнозирования настроений рыночных участников, рыночных трендов криптоактивов на основе анализа сентимента и выявления информационных сигналов в неструктурированных текстовых данных. В рамках дисциплины подробно рассматриваются: архитектуры современных языковых моделей, методы тонкой настройки предобученных моделей (fine-tuning), техники работы с дисбалансированными датасетами, продвинутые подходы к векторизации текста, мультимодальный анализ (текст + временные ряды), а также методы интерпретации решений моделей (SHAP, LIME). Курс включает практические занятия по сбору и обработке больших объемов текстовых данных, созданию собственных датасетов с разметкой, обучению и валидации моделей, а также оценке их влияния на прогностическую способность финансовых моделей.

Цель освоения дисциплины

Целью учебной дисциплины «Искусственный интеллект в NLP-анализе рынка криптоактивов» является формирование у студентов практических компетенций в области применения методов обработки естественного языка и глубокого обучения для анализа, интерпретации и прогнозирования поведения рынка криптоактивов на основе неструктурированных текстовых данных. 1. Получить знания о продвинутых методах обработки естественного языка и глубокого обучения, включая трансформерные архитектуры (BERT, FinBERT, GPT), и их применении на рынке криптоактивов. 2. Разработать практические навыки предобработки, векторизации и классификации текстовых данных о криптоактивах на русском и английском языках. 3. Освоить методы построения и валидации авторских метрик сентимента на основе результатов классификации текста, включая оценку их предиктивной силы. 4. Улучшить навыки работы с языком программирования Python для построения мультимодальных прогнозных моделей, объединяющих текстовые и рыночные данные. 5. Активное участие в семинарских занятиях, разборе примеров и обсуждении результатов, что способствует практическому применению полученных знаний.

Планируемые результаты обучения

Применять принципы классической (BoW, OHE, TF-IDF, Word2Vec) и современной (трансформерной) векторизации текста.
Оценивать и различать методы предобработки текстовых данных (токенизация, стемминг, лемматизация, работа со стоп-словами) для русско- и англоязычных корпусов.
Оценивать и распознавать устройства и различия архитектур RNN/LSTM/BiLSTM, CNN, TCN и трансформерных моделей (BERT/FinBERT/GPT и др.).
Строить и валидировать индекс сентимента на основе предсказаний классификатора, оценивать его предиктивную силу.
Обучать и сравнивать классификаторы тональности текста на основе различных архитектур, включая настройка гиперпараметров и дообучение трансформерных моделей.
Использовать и оценивать методы работы с несбалансированными классами (SMOTE, class weights, аугментация текста).
Формировать признаковое пространство, объединяющее сентимент-метрики и рыночные данные, с корректным контролем утечки данных во времени.
Строить и оценивать модель-предиктор (классификатор направления цены или регрессор доходности) с использованием текстовых и количественных признаков.
Владеть основами интерпретации моделей машинного обучения (SHAP, LIME) и умение анализировать вклад текстовых и ценовых признаков в прогноз.

Содержание учебной дисциплины

Вводная лекция по NLP-анализу и обработке текстовых данных
Предобработка и векторизация текстовых данных
Классические архитектуры-классификаторы текста
Тест на знание базовых подходов NLP-анализа
Трансформерные модели и построение метрик сентимента
Формирование мультимодальных обучающих выборок, построение и обучение предикторов на основе ИИ
Реализация индивидуального проекта

Элементы контроля

Активность на семинарах
Работа на семинарах, активное участие в обсуждении вопросов и задача в рамках рассматриваемых тем. Оценивается по итогам проведения семинара с озвучиванием / публикации оценок за данную активность.
Тест на знание базовых подходов NLP-анализа
Проведение промежуточного контроля на знание основных подходов обработки текстовых данных и построения базовых методов векторизации текстовых массивов с последующим построение и обучением классификаторов на основе ИИ.
Защита проекта
Устная защита итогового индивидуального проекта (предобработка и классификация текстовых данных, построение индекса сентимента, построение предиктора доходности/направления цены криптоактива) с обязательной демонстрацией работающего кода студента и ответами на вопросы преподавателя по каждому из трёх блоков курса.

Промежуточная аттестация

2026/2027 3rd module
0.3 * Тест на знание базовых подходов NLP-анализа + 0.1 * Активность на семинарах + 0.6 * Защита проекта

Список литературы

Авторы

Файзулин Максим Сергеевич

Программа дисциплины