Department of Financial Market Infrastructure

Regular version of the site

Publications

Book

Emerging Bond Markets: Shedding Light on Trends and Patterns

Teplova T., Sokolova T., Munir Q.

NY: Routledge, 2020.

Article

Detecting Social Stock Pumping in the Russian Equity Market Using Machine Learning
In press

Khaziev G.

ADVANCES IN ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING. 2025. Vol. 5. No. 3. P. 1-18.

Book chapter

Digital Learning as an Innovation in Higher Education and a Mechanism for Increasing Its Attractiveness to Young People

Osipov V. S., Vagin S., Frantsuzenko Polina S. et al.

In bk.: Digital Education in Russia and Central Asia. Singapore: Springer, 2022. P. 267-278.

All publications

Delivered by:: Department of Financial Market Infrastructure

Type:: Mago-Lego

When:: 1, 2 module

Instructors

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 (5 сегментов NFT), 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, нейронных сетей для данных высоковолатильных и подверженных внешним шокам сегментов рынка крипты. Из 60 аудиторных часов 56 часов 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, а также эконометрических и статистических подходов. В курсе затрагиваются такие продвинутые темы анализа данных и машинного обучения, как майнинг текстовых данных, их обработка, а также использование моделей глубокого обучения в рамках задачи построения индекса сентимента. 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 и их применение в рынке криптоактивов.
2. Разработать практические навыки в анализе и моделировании рынков криптовалют, криптоактивов (включая сегменты NFT) и децентрализованных финансов.
3. Освоить методы обработки и анализа данных, выявления зависимостей и прогнозирования на рынке криптоактивов.
4. Получить знания о функционировании и регулировании рынков децентрализованных финансов.
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.
6. Активное участие в семинарских занятиях, разборе примеров и обсуждении результатов, что способствует практическому применению полученных знаний.

Планируемые результаты обучения

Использует 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;
Понимание основных понятий и технологий, связанных с криптовалютами и цифровыми активами, а также основных протоколов Defi и их принципов работы.
Умение оценивать риски и возможности, связанные с инвестированием в криптовалюты и цифровые активы, и принимать обоснованные решения на основе анализа этих рисков и возможностей.
Понимаение возможных перспектив и путей развития криптовалют и цифровых активов, а также их возможного влияния на финансовую систему в целом.
Осознание значимости изучения ML методов при прогнозировании цен на криптовалюты и цифровые активы, а также подготовка к работе в цифровой экономике и конкуренции в изменяющейся рыночной среде.
Знание основных эконометрических методов и моделей для анализа рынка криптовалют.
Умение проводить анализ взаимосвязей между криптовалютами и другими финансовыми инструментами, используя эконометрические модели.
Понимание неустойчивости криптоактивов и проблем с выборкой данных, а также необходимости учета нелинейных зависимостей и структурных изменений.
Понимание ограничений в использовании эконометрических моделей для прогнозирования криптоактивов и их важности в контексте более широкого экономического и финансового анализа.
Студенты приобретут знания о фунциях и инструментах библиотек Pandas, Numpy, Matplotlib и дополнительных инструментах, необходимых для работы с данными.
Смогут использовать Pandas для обработки и анализа данных, научатся осуществлять различные преобразования данных, а также графически отображать полученные результаты .
Студенты овладеют основами использования библиотек Request и Beautiful Soup для извлечения информации и научатся использовать алгоритмы поиска для получения нужных данных.
Cтуденты научатся запускать парсер текстовых и количественных данных и формировать первичный текстовый корпус и сводные таблицы количественных данных.
Анализировать особенности датасетов и способности определять лучшие нейросетевые модели для обработки входных данных.
Применять различные подходы к оптимизации архитектуры нейронных сетей и настройке набора гиперпараметров.
Применять методы бинарной и мультиклассовой классификации количественных данных.
Уметь предварительно обрабатывать текстовые данные, включая фильтрацию, очистку, лемматизацию и стемминг.
Уметь классифицировать текстовые данные с использованием моделей машинного обучения с учителем.
Владть навыками использования предобученных классификаторов Bert и FinBert в решении задач разметки текстовых данных.
Владеть навыками построения нейронных сетей для классификации текстовых массивов на основе использования Word Embedding.
Уметь оценивать качество моделей на основе измерения точности классификации сбалансированных и несбалансированных тренировочных датасетов.
Применять различные методы и подходы к анализу количественных и текстовых данных в области криптовалют.
Владеть навыками воспроизведения машинного и глубокого обучения для прогнозирования и классификации характеристик криптовалют.
Владеть навыками эконометрического анализа и интерпретации результатов для объяснения характеристик криптовалют.

Содержание учебной дисциплины

Входной тест на проверку навыков программирования на Python.
Введение в нейросети. Подходы к оптимизации гиперпараметров модели.
Практические аспекты обработки текстовых данных. Решение задач NLP и формирования текстовых корпусов для их последующей классификации.
Реализация индивидуальных проектов по анализу криптовалют.
Криптовалюты, цифровые активы и Defi-протоколы как специфический объект исследования.
Эконометрические методы исследования рынка криптовалют.
Использование библиотек Pandas, Numpy, Matplotlib для проведения исследования рынка криптовалют. Основы работы с API поставщиков данных и криптовалютных бирж.
Алгоритмы построения базовых моделей машинного обучения (градиентный спуск, решающие деревья) для их проверки и оценки на устойчивость в процессе тестирования гипотез исследования.

Элементы контроля

Домашняя работа 1
Домашнее задание 2
Защита индивидуального проекта
Входное тестирование на знание языка Python
Домашнее задание 3

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.15 * Входное тестирование на знание языка Python + 0.15 * Домашнее задание 2 + 0.15 * Домашнее задание 3 + 0.15 * Домашняя работа 1 + 0.4 * Защита индивидуального проекта

Список литературы

Авторы

Теплова Тамара Викторовна
Бакланова Валерия Сергеевна
Файзулин Максим Сергеевич
Куркин Алексей Викторович

Data Analysis and Crypto Asset Market Modeling