Анализ временных рядов на финансовых данных

2026/2027

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена анализу и прогнозированию временных рядов на финансовых данных. Курс охватывает основные этапы работы: получение и подготовку наблюдений, исследование структуры ряда, выбор моделей, оценку качества и интерпретацию результатов. Рассматриваются классические статистические методы, финансовая эконометрика и подходы машинного обучения. Особое внимание уделяется временному порядку наблюдений, корректному построению признаков и проверке прогнозов на новых периодах. Курс также знакомит с современными нейросетевыми и предобученными моделями прогнозирования. Практические задания выполняются на Python.

Цель освоения дисциплины

Сформировать системное представление об основных методах анализа временных рядов и научить применять их к финансовым данным. Студенты освоят построение воспроизводимого решения — от постановки задачи и подготовки данных до сравнения моделей и содержательной оценки их возможностей и ограничений.

Планируемые результаты обучения

Студент сможет исследовать структуру временного ряда, выявлять тренд, сезонность, пропуски и выбросы; выбирать подходящие способы подготовки данных.
Студент сможет определять целевую величину и горизонт прогноза, выбирать метрики и организовывать последовательную проверку качества по времени.
Студент сможет применять классические модели прогнозирования, обосновывать преобразования ряда и анализировать остатки модели.
Студент сможет использовать дополнительные признаки для прогнозирования временных рядов.
Студент сможет строить признаки для машинного обучения и сравнивать подходы к прогнозированию.
Студент сможет интерпретировать оценки волатильности, риска и неопределённости прогноза; понимать ограничения полученных результатов.
Студент сможет ориентироваться в нейросетевых и предобученных моделях, сравнивать их с более простыми методами и представлять воспроизводимые выводы.

Содержание учебной дисциплины

Введение в анализ временных рядов.
Классические модели прогнозирования.
Финансовая эконометрика.
Машинное обучение для прогнозирования.
Панельные (множественные) временные ряды: подходы к совместному моделированию.
Обзор нейросетевых методов.
Трансформеры и предобученные модели.

Элементы контроля

Домашнее задание 1
Исследование временных рядов, применение классических моделей, проверка качества прогнозов и интерпретация результатов.
Домашнее задание 2
Решение задачи на реальных финансовых данных: сбор и подготовка данных, применение методов машинного обучения и сравнение подходов.
Тесты
Проверка основных понятий, методов и интерпретации результатов по завершении тематических блоков.
Экзамен
Итоговая проверка знаний, выбора методов и анализа результатов.
Активность на занятиях
Содержательное участие в семинарах и обсуждении решений.
Домашнее задание (бонус)
Необязательная работа с нейросетевой или предобученной моделью: применение к выбранным данным, сравнение с базовым подходом и выводы.

Промежуточная аттестация

2026/2027 2nd module
Итоговая оценка = min(10; 0,2 × ДЗ_1 + 0,2 × ДЗ_2 + 0,2 × Тесты + 0,4 × Экзамен + Бонус) Бонус = 0,1 × Активность на занятиях + 0,1 × ДЗ_бонус Все компоненты оцениваются по шкале от 0 до 10. Оценка за тесты — среднее оценок за предусмотренные курсом тесты. Бонусы за активность и дополнительное домашнее задание необязательны: каждый даёт до 1 балла к итоговой оценке. Итоговая оценка ограничена 10 баллами.

Список литературы

Авторы

Комарова Ксения Степановна

Программа дисциплины