Анализ данных и моделирование рынка криптоактивов

2025/2026

Учебный год

RUS

Обучение ведется на русском языке

6

Кредиты

Кто читает:

Базовая кафедра инфраструктуры финансовых рынков

Статус:

Курс по выбору

Когда читается:

1-й курс, 1, 2 модуль

Преподаватели

Бакланова Валерия Сергеевна

Теплова Тамара Викторовна

Программа 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.
• 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.
• 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.
• 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.

Элементы контроля

• Домашнее задание
• Парсинг данных и разметка большого массива, тональность обсуждений

Промежуточная аттестация

• 2025/2026 2nd module
  0.5 * Домашнее задание + 0.5 * Парсинг данных и разметка большого массива, тональность обсуждений

Список литературы

Рекомендуемая основная литература

• Algorithms, blockchain & cryptocurrency : implications for the future of the workplace, Brown, G., 2020
• An introduction to applied econometrics : a time series approach, Patterson, K., 2000
• Analysis of financial time series, Tsay, R. S., 2005
• Introduction to natural language processing, Eisenstein, J., 2019
• Machine learning : beginner's guide to machine learning, data mining, big data, artificial intelligence and neural networks, Trinity, L., 2019
• Neural networks, Abdi, H., 1999
• Principles of artificial neural networks, Graupe, D., 2007
• Временные ряды. Обработка данных и теория, Бриллинджер, Д., 1980
• Изучаем pandas : высокопроизводительная обработка и анализ данных в Python, Хейдт, М., 2018
• Изучаем программирование на Python, Бэрри, П., 2017
• Многомерный статистический анализ и временные ряды, Кендалл, М., 1976
• Основы Data Science и Big data : Python и наука о данных, Силен, Д., 2017
• Основы Python : научитесь думать как программист, Дауни, А. Б., 2021

Рекомендуемая дополнительная литература

• Inclusive fintech : blockchain, cryptocurrency and ICO, Lee, D., 2018

Авторы

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