Master
2025/2026
Applied Models Using the Python Language
Category 'Best Course for Career Development'
Category 'Best Course for Broadening Horizons and Diversity of Knowledge and Skills'
Category 'Best Course for New Knowledge and Skills'
Type:
Elective course (Investments in Financial Markets)
Delivered by:
Master's Programmes Curriculum Support
Where:
Faculty of Economic Sciences
When:
2 year, 3 module
Online hours:
26
Open to:
students of one campus
Instructors:
Maxim Zharkovsky
Language:
English
ECTS credits:
3
Contact hours:
12
Course Syllabus
Abstract
Целью освоения дисциплины являются получение слушателями практических навыков моделирования финансовых инструментов с использованием библиотек языка Python. Успешная работа на финансовых рынках требует от специалистов знаний и навыков в области анализа больших массивов информации самой разнообразной природы. Построение эффективных торговых стратегий опирается сегодня в значительной степени на использование программных средств. Знание моделей ценообразования финансовых инструментов и умение их применять на практике является неотъемлемой частью подготовки финансового инженера.
Learning Objectives
- Курс «Прикладные модели финансового инжиниринга с использованием языка Python» ставит перед собой цель познакомить слушателей с современными технологиями анализа финансовых инструментов. В данном курсе делается акцент на практическом применение моделей количественных финансов. Теоретическая часть представлена в объеме, необходимом для понимания основных характеристик и свойств моделей. С концептуальной точки зрения, курс базируются на подходе, принятом в зарубежных университетах и бизнес-школах, который ориентирован на прикладные аспекты финансового инжиниринга. Это подразумевает обязательное изучение программного инструментария, необходимого для решения практических задач. В качестве такого инструмента предлагается использовать библиотеки языка Python. Данный язык стал дефакто стандартом в области обработки финансовых данных. Отличительной особенностью языка Python является его сравнительная доступность и легкость в освоении. Вычислительные библиотеки языка позволяют реализовать самые разные алгоритмы количественных финансов. В ходе изучения материала слушатели знакомятся с классическими модели опционного ценообразования. Наряду с этим также рассматриваются экзотические финансовые продукты, в частности модель барьерного опциона, очень популярного среди инвесторов. Особое место в курсе отводится вопросам, связанным с моделированием процентных инструментов. Отдельное внимание в курсе уделяется количественным методы управления инвестиционным портфелем (Quantitative equity portfolio management) и финансовой эконометрики. Материалы данной дисциплины могут быть использованы при подготовке ВКР.
Expected Learning Outcomes
- Иметь представление об основных моделях ценообразования финансовых инструментов и предпосылки их практического применения;
- Разрабатывать инвестиционные стратегии и моделировать оптимальный портфель, используя численные библиотеки Python;
- Выявлять свойствах случайных процессов, необходимые для моделирования финансовых активов;
- Показывать численные и статистические библиотеки языка Python, применяемые для работы на финансовом рынке;
- Строить модели финансовых инструментов с использованием библиотек языка Python;
Bibliography
Recommended Core Bibliography
- Taieb, D. (2018). Data Analysis with Python : A Modern Approach. Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1993344
- Теория вероятностей и математическая статистика : учеб. пособие, Мхитарян, В. С., 2013
- Финансовый менеджмент : учебник, Берзон Н.И., 2020
- Финансы : учебник и практикум для академич. бакалавриата, Берзон Н.И., 2017
Recommended Additional Bibliography
- Álvaro Scrivano. (2019). Coding with Python. Minneapolis: Lerner Publications ™. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1947372
- Beysolow, T. (2018). Applied Natural Language Processing with Python : Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1892182
- Анализ данных в MS Excel : основные сведения о MS Excel, статистические таблицы и графики, статистические функции, пакет анализа (анализ данных) : учеб. пособие для вузов, Мхитарян, В. С., 2018
- Рынок ценных бумаг : учебник для бакалавров, Берзон, Н. И., 2013
- Форварды, фьючерсы, опционы, экзотические и погодные производные, Буренин, А. Н., 2008