• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Контакты

Контакты

Адрес: 101000, Москва, АУК "Покровский бульвар", Покровский б-р, д.11, каб. Т523

Телефон: +7(495)772-95-90 *27379

E-mail: nberzon@hse.ru

 

Руководство
Научный руководитель Берзон Николай Иосифович
Заведующий кафедрой Кузнецова Анна Васильевна
Заместитель заведующего кафедрой Столяров Андрей Иванович
Статья
Connectedness between (un)conventional monetary policy and islamic and advanced equity markets: A returns and volatility spillover analysis

Choi S., Phiri A., Teplova T. et al.

International Review of Economics and Finance. 2024. Vol. 91. P. 348-363.

Глава в книге
Проектное финансирование

Газман В. Д.

В кн.: Большая российская энциклопедия: научно-образовательный портал. БРЭ, 2023.

Анализ данных и моделирование рынка криптоактивов

2023/2024
Учебный год
RUS
Обучение ведется на русском языке
6
Кредиты
Статус:
Маго-лего
Когда читается:
1, 2 модуль

Преподаватели

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

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

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

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

Элементы контроля

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

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

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