Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.
109028, Москва,
Покровский бульвар, дом 11, каб. Т-614
(проезд: м. Тургеневская/Чистые пруды, Китай-город, Курская/Чкаловская)
тел: (495) 628-83-68
почта: fes@hse.ru
Общая информация о проекте | |
Тип проекта |
Фундаментальный |
Название проекта (на русском и английском языках) |
Искусственный интеллект на финансовых рынках Artificial intelligence in financials markets |
Инициатор проекта от НИУ ВШЭ |
Проектно-учебная лаборатория анализа финансовых рынков (ЛАФР) факультета экономических наук НИУ ВШЭ Теплова Тамара Викторовна, профессор, руководитель ЛАФР,emailtteplova@hse.ru |
Инициатор проекта от компании (если есть) |
Московская Биржа. Анна Кузнецова |
Описание проекта (максимум 250 слов)
|
Краткая характеристика проекта В фокусе проекта - исследование влияния новостной среды на возникновение аномалий на фондовых рынках развитых и развивающихся стран с применением методов искусственного интеллекта.
Цель проекта - разработка и развитие методов и моделей искусственного интеллекта (ИИ) и анализа big data с целью выявления влияния новостного фона на возникновение аномалий на фондовых рынках.
Задачи проекта: 1. Анализ новостных лент по компаниям развитых и развивающихся рынков с применением технологий сбора и обработки bigdata. 2. Анализ влияния новостного фона на возникновение аномалий в ценообразовании финансовых инструментов (акций, облигаций компаний развитых и развивающихся рынков) с применением методов машинного обучения.
Планируемые результаты: 1. Разработан программный код для сбора данных и анализа новостных лент по компаниям развитых и развивающихся стран. 2. Сформирована база данных, включающая характеристики новостного фона, а также показатели доходности, волатильности и ликвидности финансовых инструментов рассматриваемых компаний. 3. Развиты модели ИИ, позволяющие выявить влияние новостного фона на возникновение аномалий на фондовых рынках.
Формат предоставления результатов, подлежащих оцениванию: - программный код для сбора и анализа новостных лент компаний, -программный код для анализа влияния новостного фона на возникновение аномалий на финансовых рынках, - база данных для проведения эмпирического исследования, - отчет о проведении исследования в формате Word.
Принципы оценивания результатов выполнения проекта: По шкале от 0 до 10 оценивается: - О1 - сбор репрезентативной базы данных по компаниям развитых и развивающихся рынков (не менее 3 рынков, не менее 30 компаний на каждом рынке, период анализа с 2015 по 2019 гг.); - О2 - разработка корректного программного кода для решения поставленных задач, пригодного к дальнейшему применению для компаний других рынков; - О3 - тестирование моделей ИИ, позволяющих выявить влияние новостного фона на возникновение аномалий; - О4 - отчет о проделанной работе, содержащий обзор литературы, подробное, последовательное и логичное описание хода работ и обоснованные выводы. Итоговая оценка рассчитывается по формуле: Оитоговая = 0,3*О1 + 0,25*О2 + 0,25*О3 + 0,2*О4 Оценка ниже «4» до «4» не округляется.
|
Требования к студентам | |
Количество студентов на проекте |
2 курс – 2 студента 3 курс – 2 студента 4 курс – 2 студента
|
Требования к студентам - участникам проекта |
- Написание курсовой работы студентом у руководителя проекта от НИУ ВШЭ (Теплова Т.В.) и/или коллег (Соколова Татьяна Владимировна, ст. преподаватель, аналитик ЛАФР, tv.sokolova@hse.ru, Назаров Николай )
- Для включения в ИУП студентам 2-3 курса обязателен курс «Машинное обучение». Для студентов 4 курса требований к включению курсов по выбору в ИУП не предъявляется, но требуется прохождение курса «Машинное обучение» на 3 курсе.
- Строго обязательны навыки программирования в среде R и/илиPython. Студент должен быть готов решать задачи по сбору и обработке bigdata с помощью программных средств (R, Python, по желанию – других сред разработки), делать работу по визаулизации материала. Приветствуется практический опыт применения методов машинного обучения для решения задач финансовой экономики. Желательны навыки работы с профессиональными аналитическими базами данных Bloombergи/илиEikonRefinitiv. |