Количественный анализ и прогнозирование рынка криптоактивов

2026/2027

Статус: Маго-лего

Кто читает: Отдел сопровождения учебного процесса в магистратуре

Где читается: Факультет экономических наук

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Файзулин Максим Сергеевич

Язык: русский

Кредиты: 6

Контактные часы: 36

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Количественный анализ и прогнозирование рынка криптоактивов» рассчитан на студентов, заинтересованных в применении продвинутых эконометрических методов, методов машинного обучения и искусственного интеллекта для анализа и прогнозирования динамики рынка криптоактивов, и имеющих навыки программирования (Python начального уровня). Курс практикоориентированный, нацелен на раскрытие особенностей функционирования и регулирования крипторынка, а также на освоение современных методов эконометрического анализа, построения индексов сентимента и прогнозирования поведения биржевых характеристик криптоактивов. В течение курса студенты освоят на практических примерах применение эконометрических моделей временных рядов (ARIMA, GARCH, VAR) для прогнозирования поведения биржевых характеристик криптоактивов. С помощью языка программирования Python рассматриваются методы машинного обучения и нейронных сетей для предсказания биржевой динамики. Рассматриваются различные техники построения композитных индексов сентимента на основе анализа новостных потоков, социальных сетей и блокчейн-метрик.

Цель освоения дисциплины

Целью учебной дисциплины «Количественный анализ и прогнозирование рынка криптоактивов» является формирование у студентов практических навыков применения эконометрических методов, машинного обучения и инструментов обработки естественного языка для анализа, интерпретации и прогнозирования биржевых характеристик криптоактивов. 1) Получить знания об особенностях функционирования и регулирования рынка криптоактивов и о задачах количественного анализа на этом рынке. 2) Освоить методы сбора и предобработки рыночных и текстовых данных о криптоактивах, включая основы веб-скрейпинга и работу с текстовыми корпусами. 3) Овладеть основными эконометрическими подходами анализа временных рядов (ARIMA, GARCH, VAR) для объяснения и прогнозирования биржевых характеристик и взаимосвязей между криптоактивами. 4) Научиться строить композитные индексы сентимента на основе классификации текстовых данных с применением классических ML-моделей и предобученных трансформеров (BERT, FinBERT). 5) Освоить построение ML и нейросетевых прогнозных моделей, объединяющих сентимент-метрики и рыночные данные, с базовой интерпретацией результатов (подходы SHAP, LIME).

Планируемые результаты обучения

Оценивать особенности функционирования, регулирования и рисков рынка криптоактивов, применимые к задачам количественного анализа.
Собирать рыночные и текстовые данные о криптоактивах с использованием открытых API и основных инструментов парсинга.
Владеть методами предобработки текстовых данных (токенизация, лемматизация/стемминг, работа со сленгом, эмодзи и тикерами) для русско- и англоязычных корпусов.
Владеть методами векторизации текстовых данных при помощи классических подходов: мешок слов (Bag-of-Words), TF-IDF и др.
Применять классические и предобученные трансформерные модели (BERT, FinBERT) для оценки (классификации) тональности текстовых данных.
Строить и интерпретировать модели условной волатильности (GARCH-семейства) и ценовые прогнозы (AR-семейства) для отдельных криптоактивов.
Оценивать различные подходы и их особенности в процессе проведения NLP-анализа, эконометрического моделирования и моделирования при помощи ИИ инструментов биржевых характеристик криптоактивов.
Оценивать взаимосвязи между криптоактивами и другими финансовыми инструментами с помощью VAR-моделей.
Строить композитный индекс сентимента на основе нескольких источников данных и оценивать его предиктивную силу.
Строить и сравнивать ML и нейросетевые модели для классификации текстовых данных.
Строить и сравнивать ML и нейросетевые модели прогноза биржевых характеристик криптоактивов (градиентный бустинг, LSTM и др.).
Владеть основами интерпретации моделей машинного обучения (SHAP, LIME) для анализа вклада текстовых и ценовых признаков в прогноз.
Формировать пространство признаков, объединяющее сентимент-метрики и рыночные данные, с корректным контролем утечки данных.

Содержание учебной дисциплины

Вводная лекция: рынок криптоактивов, регулирование, задачи количественного анализа
Сбор и предобработка данных по криптоактивам
Векторизация текста и трансформерные модели классификации тональности
Эконометрика временных рядов: AR и GARCH
Тестирование и консультация по выполнению кейса
Вводная лекция: эконометрика, ML и NLP-сентимент как единый аналитический цикл
VAR-модели и сравнение эконометрических подходов к прогнозированию
Классические модели классификации тональности и построение композитного индекса сентимента
Построение прогнозной модели: объединение сентимента и рыночных данных
Защита индивидуальных проектов

Элементы контроля

Активность на семинарах
Работа на семинарах, активное участие в обсуждении вопросов и выполнении заданий в рамках рассматриваемых тем.
Кейс по парсингу данных
Дистанционное выполнение практического задания по сбору данных на выбранном источнике, выданного на занятии по сбору и предобработке данных; конкретные сроки и формат сдачи уточняются дополнительно после начала курса.
Тест
Тестирование с ограничением по времени и случайной выборкой вопросов из банка, охватывающее материал сбора и предобработки данных, векторизации и базовой классификации текста, эконометрических моделей семейства AR и GARCH.
Защита проекта
Устная защита итогового индивидуального проекта (демонстрации обработки текстовых данных, их векторизация, построение индекса сентимента, применение эконометрических моделей, построение прогнозной модели) с обязательной демонстрацией работающего кода студента и ответами на вопросы преподавателя.

Промежуточная аттестация

2026/2027 2nd module
0.2 * Кейс по парсингу данных + 0.4 * Защита проекта + 0.3 * Тест + 0.05 * Активность на семинарах

Список литературы

Авторы

Файзулин Максим Сергеевич

Программа дисциплины