Metody arbitrażu statystycznego 1000-1M24MAS
Zajęcia podzielone są na dwa etapy: w trakcie pierwszych pięciu spotkań zostaną wprowadzone niezbędne zagadnienia ekonomiczne oraz środowisko pracy w chmurze obliczeniowej. W pozostałej części semestru zajęcia będą koncentrować się na wykorzystaniu technik ilościowych wspomaganych komputerowo. W tej części poza projektem śródsemestralnym uczestnicy będą prezentowali postępy prac w ramach projektów grupowych. Przygotowanie projektu jest warunkiem koniecznym uzyskania zaliczenia przedmiotu. Zajęcia będą obejmowały następujące bloki tematyczne
1. Wstęp: cele kształcenia, środowisko i narzędzia pracy.
2. Elementy matematyki finansowej: wartość pieniądza w czasie, rachunek efektywności inwestycji finansowych, wartość bieżąca netto (NPV), wewnętrzna stopa zwrotu (IRR), wskaźnik rentowności (PI) oraz zdyskontowany okres zwrotu (DPP).
3. Finanse normatywne: teoria oczekiwanej użyteczności, model Markowitza, model wyceny dóbr kapitałowych, teoria wyceny arbitrażowej.
4. Przetwarzanie danych w chmurze: serwisy SaaS (w tym usługi z zakresu uczenia maszynowego), środowisko programistyczne, pamięć obiektowa, polityki dostępu, automatyczna skalowalność, programowe API, zarządzanie kodem, dystrybucja oprogramowania.
5. Metody statystyczne i sieci neuronowe w analizie szeregów czasowych (metody płytkie, głębokie sieci neuronowe, sieci rekurencyjne, uczenie przez wzmacnianie)
6. Przetwarzanie i rozumienie języka naturalnego (tokenizacja, osadzanie słów, analiza morfologiczna, transformery, duże modele językowe, metody zespołowe).
7. Podstawy handlu algorytmicznego: wektorowe testy historyczne, zarządzanie ryzykiem, realizacja zleceń
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Po ukończeniu przedmiotu student:
1. Ma podstawową wiedzę dotyczącą analiz ilościowych i narzędzi statystycznych.
2. Wykonuje obliczenia dotyczące podstawowych instrumentów finansowych: lokat bankowych, kredytów, konstruuje plany spłaty kredytu różnych typów, wyjaśnia problemy zmiany wartości kapitału w czasie, analizuje inwestycje finansowe pod kątem ich opłacalności.
3. Rozumie podstawowe techniki uczenia maszynowego i potrafi zaimplementować algorytmy w oparciu o wybrane pakiety Pythona (NumPy, Pandas, Scikit-Learn, TensorFlow, AutoML) w środowisku chmury obliczeniowej.
4. Rozumie i umie zaprojektować oraz uruchomić heterogeniczne usługi w chmurach obliczeniowych różnych dostawców według założonych wymagań z wykorzystaniem graficznego interfejsu użytkownika oraz programowego API.
5. Potrafi zarządzać cyklem życia oprogramowania we współpracy z innymi uczestnikami projektu.
Kryteria oceniania
Ocena końcowa na podstawie punktów z zadań realizowanych podczas zajęć (30%) oraz ocen grupowego projektu śródsemestralnego (20%) i grupowego projektu końcowego (50%).
Literatura
Y.Hilpisch, Sztuczna inteligencja w finansach, Helion, 2022
S.Jansen, Machine Learning for Algorithmic Trading - Second Edition, Packt Publishing, Birmingham-Mumbai, 2020
S.Morley, Applying Math with Python, Packt Publishing, Birmingham-Mumbai, 2022
C.Rossant, Ipython Interactive Computing and Visualization Cookbook - Second Edition, Packt Publishing, Birmingham-Mumbai, 2018
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: