Department of Financial Market Infrastructure

Regular version of the site

Book

Emerging Bond Markets: Shedding Light on Trends and Patterns

NY: Routledge, 2020.

Article

Efficiency evaluation of electricity distribution companies: Integrating data envelopment analysis and machine learning for a holistic analysis

Omrani H., Emrouznejad A., Teplova T. et al.

Engineering Applications of Artificial Intelligence. 2024. Vol. 133. No. F.

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:: Elective course

When:: 1 year, 1, 2 module

Instructors

Полная версия программы учебной дисциплины

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.
Умение обнаруживать и учитывать проблемы мультиколлинеарности и эндогенности переменных при использовании эконометрических моделей для прогнозирования цен на криптовалюты.
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. Недостатки эконометрического подхода в анализе криптоактивов.
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

Data Analysis and Crypto Asset Market Modeling

Instructors

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература