1. Мета та завдання навчальної дисципліни
1.1. Мета навчальної дисципліни.
Метою навчальної дисципліни є формування у студентів компетентностей розробляти та застосовувати моделі фінансових, геофізичних та соціально-економічних процесів та полів за допомогою теоретико-методологічних засад фінансової та системної математики. Зокрема, одержати такі практичні навички :
• як кодувати в Python та R;
• робота з науковими пакетами такими як NumPy, Scirit-Learn, Keras тощо;
• розуміння як використовувати інструментарій аналізу даних Pandas;
• як використовувати Python та R для вирішення реальних задач;
• як влаштуватись на роботу data scientist;
• як проводити глибокий аналіз інвестицій;
• як будувати інвестиційні портфелі;
• як розрахувати ризики та прибутки окремих цінних паперів;
• застосування кращих практик роботи з фінансовими даними;
• використання регресійного аналізу;
• розуміння моделі ціноутворення капіталу;
• порівняння цінних паперів за їх коефіцієнтом Шарпа;
• моделювання за допомогою методу Монте-Карло;
• вміння оцінювати опціони за допомогою формули Блека-Шоулза;
• як невимушено влаштуватись на позицію розробника в фінансову установу.
1.2. Основні завдання навчальної дисципліни.
Згідно з вимогами освітньо-професійної програми студенти після засвоєння навчальної дисципліни мають продемонструвати такі результати навчання:
знання:
методів та засобів моделювання фінансових, геофізичних та соціально-економічних процесів та полів.
уміння:
розв’язувати реальні проблеми за допомогою фінансових аналітичних симуляцій. Зокрема, визначати оптимізований прибуток і рівень ризику, визначати які фінансові показники можуть симулюватись випадковими величинами та як вони розподілені, визначати набори даних є доступними для аналітичної вибірки цих випадкових величин, які фінансові показники сильно корелюють, які відносно незалежні, визначати чи може аналітичне мислення дати алгоритму перевагу перед простою стратегією утримання при генерації транзакцій.
досвід:
створення дослідницької фінансової лабораторії (парадигма організованої співпраці за досвідом провідних національних лабораторій США), де роль кожного члена команди полягає в тому, щоб спеціалізуватися на певній задачі, щоб стати найкращим у ній, маючи при цьому цілісний погляд на весь процес.
3. Зміст навчальної дисципліни
Кредитний модуль 1.
Розділ 1. Системна фінансова математика
1. Вступ у фондовий ринок.
1.1. Загальна картина.
1.1.1. Види та природа цінних паперів.
1.1.2. Інфраструктура ринку цінних паперів.
1.1.3. Чотири етапи «макрохвильового» інвестування.
1.1.4. Чотири динамічні фактори.
1.2. Три ключові цикли.
1.2.1. Відстеження тенденцій ринку.
1.2.2. Діловий цикл та цикл фондового ринку.
1.2.3. Чотири етапи циклу процентних ставок.
1.3. Підбір сильних та слабких акцій та секторів.
1.3.1. Фундаментальний аналіз.
1.3.2. Технічний аналіз.
1.4. Техніка біржової торгівлі.
1.4.1. Управління своїми ризиками.
1.4.2. Управління своїми грошима.
1.4.3. Керування своїми торговими операціями.
1.4.4. Виконання торгів.
1.5. «Макрохвильове» інвестування в динаміці.
1.5.1. Підготовка до інвестиційного тижня.
1.5.2. Стимулювання моделювання портфеля.
2. Фінансова аналітика з R та Python. Побудова лабораторії для аналізу даних в ноутбуці.
2.1. Аналітичне мислення.
2.2. Мова R та Python для статистичних розрахунків.
2.3. Фінансова статистика.
2.4. Фінансові цінні папери.
2.5. Аналіз баз даних та вимірювання ризиків.
2.6. Аналіз часових рядів.
2.7. Коефіцієнт Шарпа.
2.8. Оптимізація Марковіца.
2.9. Кластерний аналіз.
2.10. Оцінка ринкового настрою.
2.11. Моделювання торгових стратегій.
2.12. Дослідження даних за допомогою фундаментального аналізу.
2.13. Прогнозування за допомогою фундаментального аналізу.
2.14. Біноміальна модель для опціонів.
2.15. Модель Блека-Шоулза.
3. Фінансове машинне навчання.
3.1. Аналіз даних.
3.2. Моделювання.
3.3. Ротаційне оцінювання та backtesting.
3.4. Корисні фінансові ознаки (features).
3.5. Рецепти високопродуктивних обчислень.
4. Рекомендована тематика практичних (семінарських) занять.
Метою проведення практичних занять є закріплення знань, надбаних на лекційних заняттях, здобуття умінь розв’язувати реальні проблеми за допомогою фінансових аналітичних симуляцій.
1. Вступне заняття. Завантаження корисних ресурсів. Вступ до програмування в Python.
2. Змінні та типи даних в Python.
3. Основний синтаксис в Python.
4. Умовні переходи. Функції в Python. Послідовності в Python. Ітерації в Python.
5. Додаткові можливості в Python.
6. Розрахунок та порівняння норм прибутку в Python.
7. Оцінка інвестиційних ризиків.
8. Використання регресії для фінансової аналітики.
9. Оптимізація портфеля Марковіца.
10. Модель ціноутворення капіталу.
11. Регресійний аналіз.
12. Метод Монте-Карло як інструмент прийняття рішень.
13. Підготовка даних в Python та R
14. Класифікація та кластеризація в R та Python
15. Навчання асоціативних правил
16. Навчання з підкріпленням
17. Обробка природної мови
18. Вибір моделі
5. Рекомендована література
5.1. Базова
1. Peter Navarro, When the Market Moves, Will You Be Ready? McGraw-Hill Education, 2003.
2. Mark J. Bennett, Dirk L. Hugen, Financial Analytics with R. Building a Laptop Laboratory for Data Science. Cambridge University Press, 2016.
3. Marcos Lopez de Prado, Advances in Financial Machine Learning. John Wiley & Sons, Inc, 2018.
4. https://www.udemy.com/course/python-for-finance-investment-fundamentals-data-analytics
5. https://www.udemy.com/course/machinelearning/
5.2. Допоміжна
6. Attilio Meucci, Risk and Asset Allocation. (Springer Finance) 1st ed. 2005. Corr. 3rd printing, 2009
7. M.Z. Zgurovsky, V.S. Mel’nik, P.O. Kasyanov Evolution Inclusions and Variation Inequalities for Earth Data Processing I. Heidelberg, Springer, 2011.– 247p.
8. M.Z. Zgurovsky, V.S. Mel’nik, P.O. Kasyanov Evolution Inclusions andVariation Inequalities for Earth Data Processing II. Heidelberg, Springer,2011. – 274p.
9. Zgurovsky M.Z., Kasyanov P.O., Kapustyan O.V., Valero J., Zadoianchuk N.V. Evolution inclusions and variation Inequalities for Earth data processing III. Long-Time Behavior of Evolution Inclusions Solutions in Earth Data Analysis (English) Series: Advances in Mechanics and Mathematics, 27. – Berlin: Springer, 2012. – XLI. – 330 p. – ISBN 978-3-642-28511-0.
10. Zgurovsky M.Z., Kasyanov P.O. Qualitative and Quantitative Analysis of Nonlinear Systems. Theory and Applications / Springer Series: Studies in Systems, Decision and Control. – Berlin, Cham: Springer, 2018. – XXXIII, 240 p. – DOI: 10.1007/978-3-319-59840-6
11. Zgurovsky M. Z., Melnik V. S. Nonlinear Analysis and Control of Physical Processes and Fields. – Springer, Berlin, 2004. – 508p.
1.1. Мета навчальної дисципліни.
Метою навчальної дисципліни є формування у студентів компетентностей розробляти та застосовувати моделі фінансових, геофізичних та соціально-економічних процесів та полів за допомогою теоретико-методологічних засад фінансової та системної математики. Зокрема, одержати такі практичні навички :
• як кодувати в Python та R;
• робота з науковими пакетами такими як NumPy, Scirit-Learn, Keras тощо;
• розуміння як використовувати інструментарій аналізу даних Pandas;
• як використовувати Python та R для вирішення реальних задач;
• як влаштуватись на роботу data scientist;
• як проводити глибокий аналіз інвестицій;
• як будувати інвестиційні портфелі;
• як розрахувати ризики та прибутки окремих цінних паперів;
• застосування кращих практик роботи з фінансовими даними;
• використання регресійного аналізу;
• розуміння моделі ціноутворення капіталу;
• порівняння цінних паперів за їх коефіцієнтом Шарпа;
• моделювання за допомогою методу Монте-Карло;
• вміння оцінювати опціони за допомогою формули Блека-Шоулза;
• як невимушено влаштуватись на позицію розробника в фінансову установу.
1.2. Основні завдання навчальної дисципліни.
Згідно з вимогами освітньо-професійної програми студенти після засвоєння навчальної дисципліни мають продемонструвати такі результати навчання:
знання:
методів та засобів моделювання фінансових, геофізичних та соціально-економічних процесів та полів.
уміння:
розв’язувати реальні проблеми за допомогою фінансових аналітичних симуляцій. Зокрема, визначати оптимізований прибуток і рівень ризику, визначати які фінансові показники можуть симулюватись випадковими величинами та як вони розподілені, визначати набори даних є доступними для аналітичної вибірки цих випадкових величин, які фінансові показники сильно корелюють, які відносно незалежні, визначати чи може аналітичне мислення дати алгоритму перевагу перед простою стратегією утримання при генерації транзакцій.
досвід:
створення дослідницької фінансової лабораторії (парадигма організованої співпраці за досвідом провідних національних лабораторій США), де роль кожного члена команди полягає в тому, щоб спеціалізуватися на певній задачі, щоб стати найкращим у ній, маючи при цьому цілісний погляд на весь процес.
3. Зміст навчальної дисципліни
Кредитний модуль 1.
Розділ 1. Системна фінансова математика
1. Вступ у фондовий ринок.
1.1. Загальна картина.
1.1.1. Види та природа цінних паперів.
1.1.2. Інфраструктура ринку цінних паперів.
1.1.3. Чотири етапи «макрохвильового» інвестування.
1.1.4. Чотири динамічні фактори.
1.2. Три ключові цикли.
1.2.1. Відстеження тенденцій ринку.
1.2.2. Діловий цикл та цикл фондового ринку.
1.2.3. Чотири етапи циклу процентних ставок.
1.3. Підбір сильних та слабких акцій та секторів.
1.3.1. Фундаментальний аналіз.
1.3.2. Технічний аналіз.
1.4. Техніка біржової торгівлі.
1.4.1. Управління своїми ризиками.
1.4.2. Управління своїми грошима.
1.4.3. Керування своїми торговими операціями.
1.4.4. Виконання торгів.
1.5. «Макрохвильове» інвестування в динаміці.
1.5.1. Підготовка до інвестиційного тижня.
1.5.2. Стимулювання моделювання портфеля.
2. Фінансова аналітика з R та Python. Побудова лабораторії для аналізу даних в ноутбуці.
2.1. Аналітичне мислення.
2.2. Мова R та Python для статистичних розрахунків.
2.3. Фінансова статистика.
2.4. Фінансові цінні папери.
2.5. Аналіз баз даних та вимірювання ризиків.
2.6. Аналіз часових рядів.
2.7. Коефіцієнт Шарпа.
2.8. Оптимізація Марковіца.
2.9. Кластерний аналіз.
2.10. Оцінка ринкового настрою.
2.11. Моделювання торгових стратегій.
2.12. Дослідження даних за допомогою фундаментального аналізу.
2.13. Прогнозування за допомогою фундаментального аналізу.
2.14. Біноміальна модель для опціонів.
2.15. Модель Блека-Шоулза.
3. Фінансове машинне навчання.
3.1. Аналіз даних.
3.2. Моделювання.
3.3. Ротаційне оцінювання та backtesting.
3.4. Корисні фінансові ознаки (features).
3.5. Рецепти високопродуктивних обчислень.
4. Рекомендована тематика практичних (семінарських) занять.
Метою проведення практичних занять є закріплення знань, надбаних на лекційних заняттях, здобуття умінь розв’язувати реальні проблеми за допомогою фінансових аналітичних симуляцій.
1. Вступне заняття. Завантаження корисних ресурсів. Вступ до програмування в Python.
2. Змінні та типи даних в Python.
3. Основний синтаксис в Python.
4. Умовні переходи. Функції в Python. Послідовності в Python. Ітерації в Python.
5. Додаткові можливості в Python.
6. Розрахунок та порівняння норм прибутку в Python.
7. Оцінка інвестиційних ризиків.
8. Використання регресії для фінансової аналітики.
9. Оптимізація портфеля Марковіца.
10. Модель ціноутворення капіталу.
11. Регресійний аналіз.
12. Метод Монте-Карло як інструмент прийняття рішень.
13. Підготовка даних в Python та R
14. Класифікація та кластеризація в R та Python
15. Навчання асоціативних правил
16. Навчання з підкріпленням
17. Обробка природної мови
18. Вибір моделі
5. Рекомендована література
5.1. Базова
1. Peter Navarro, When the Market Moves, Will You Be Ready? McGraw-Hill Education, 2003.
2. Mark J. Bennett, Dirk L. Hugen, Financial Analytics with R. Building a Laptop Laboratory for Data Science. Cambridge University Press, 2016.
3. Marcos Lopez de Prado, Advances in Financial Machine Learning. John Wiley & Sons, Inc, 2018.
4. https://www.udemy.com/course/python-for-finance-investment-fundamentals-data-analytics
5. https://www.udemy.com/course/machinelearning/
5.2. Допоміжна
6. Attilio Meucci, Risk and Asset Allocation. (Springer Finance) 1st ed. 2005. Corr. 3rd printing, 2009
7. M.Z. Zgurovsky, V.S. Mel’nik, P.O. Kasyanov Evolution Inclusions and Variation Inequalities for Earth Data Processing I. Heidelberg, Springer, 2011.– 247p.
8. M.Z. Zgurovsky, V.S. Mel’nik, P.O. Kasyanov Evolution Inclusions andVariation Inequalities for Earth Data Processing II. Heidelberg, Springer,2011. – 274p.
9. Zgurovsky M.Z., Kasyanov P.O., Kapustyan O.V., Valero J., Zadoianchuk N.V. Evolution inclusions and variation Inequalities for Earth data processing III. Long-Time Behavior of Evolution Inclusions Solutions in Earth Data Analysis (English) Series: Advances in Mechanics and Mathematics, 27. – Berlin: Springer, 2012. – XLI. – 330 p. – ISBN 978-3-642-28511-0.
10. Zgurovsky M.Z., Kasyanov P.O. Qualitative and Quantitative Analysis of Nonlinear Systems. Theory and Applications / Springer Series: Studies in Systems, Decision and Control. – Berlin, Cham: Springer, 2018. – XXXIII, 240 p. – DOI: 10.1007/978-3-319-59840-6
11. Zgurovsky M. Z., Melnik V. S. Nonlinear Analysis and Control of Physical Processes and Fields. – Springer, Berlin, 2004. – 508p.
- Викладач: Касьянов Павло Олегович