Диденко Александр Сергеевич
кандидат экономических наук, доцент, соучредитель и главный исследователь стартапа 70factorial.io; директор по исследованиям лаборатории Thalamus Lab
Машинное обучение и доказательный алготрейдинг
Enrollment is Closed
About course
Особенностью курса является широкое использование доказательных подходов, т.е. применение на любом этапе – от разработки алгоритма до исполнения торговых заявок – только тех методов, эффективность которых подтверждается, с одной стороны надежными статистическими доказательствами, а с другой – пониманием (или осознанным, строгим гипотезированием) содержания процессов, лежащих в основе ценообразования. Если вы уже знакомы с тематикой алгоритмического трейдинга, вы знаете, что стандартным подтверждением эффективности торгового алгоритма является простой исторический бэктест. Однако с ростом компьютерной мощности и сложности алгоритмов, в особенности, – с внедрением машинного обучения в практику разработки торговых алгоритмов, исторические бэктесты утратили статус надежного доказательства будущей работоспособности алгоритма.Result
В результате освоения курса обучающийся:
- будет способен понимать специфику основных алгоритмов машинного обучения и подходов к их тренировке
- ознакомится с основами рынка ценных бумаги математической статистики
- получит навыки программирования в R
competences
- ОК-3: способность использовать основы экономических знаний в сферах деятельности
- ОК-7: способность к самоорганизации и самообразованию
- ОПК-3: способность выбрать инструментальные средства для обработки экономических данных в соответствии с поставленной задачей, проанализировать результаты расчетов и обосновать полученные выводы
teachers
requirements
Курс предназначен для бакалавров 3-4 курса обучения, а также магистрантов и действующих специалистов, имеющих навыки в сфере программирования и машинного обучения, желающих получить углубленную профильную подготовку для применения своих навыков на финансовых рынках. Он также может подойти студентам финансово-экономического профиля при условии освоения ими самостоятельно машинного обучения в среде R. Знания, необходимые для освоения курса: знание основных алгоритмов машинного обучения и подходов к их тренировке; знание основ рынка ценных бумаг; знание основ математической статистики; умение программировать в R.
content
Первая неделя
- Введение
- Информация и цены
- Технический анализ
- Фундаментальный анализ
- Источники данных
- Прототипирование алгоритмов в R
- Заключение
Вторая неделя
- Введение
- Технические альфа-модели
- Фундаментальные альфа-модели
- Стилизованные факты
- Бэктест Альфа-модели
- Метрики в бэктестах
- Особенности HFT
Третья неделя
- Введение
- Риск на уровне сигнала
- Риск на уровне позиции
- Подбор уровня Стоп-Лосса
- Риск на уровне стратегии и портфеля
Четвертая неделя
- Введение
- Подходы к аллокации
- Краткая история «постсовременной» теории портфеля
- Оценка качества портфельной модели
- Качество различных портфельных моделей
- Портфельная оптимизация (повторение пройденного)
- Алгоритмы и модели исполнения
Еженедельные занятия включают просмотр тематических видеолекций, работу с дополнительными материалами, выполнение тестовых заданий с автоматизированной проверкой результатов. Итоговая оценка за прохождение курса складывается из результатов выполнения контрольных тестов по каждой теме и итогового контроля по всему курсу.
Узнать больше о программе онлайн-бакалавриата «Финансовый менеджмент», в реализации которой принимает участие Департамента анализа данных, принятия решений и финансовых технологий