Machine learning in financial time series forecasting 2400-EN3SL321A
Na seminarium zapraszam osoby zdyscyplinowane, przygotowane do systematycznej pracy przez cały rok akademicki i przede wszystkim gotowe na wysiłek niezbędny do przygotowania bardzo dobrej pracy licencjackiej.
W ramach seminarium omówione zostaną wybrane zagadnienia dotyczące modelowania finansowych szeregów czasowych ze szczególnym uwzględnieniem następujących obszarów:
Prognozowanie i zarządzanie ryzykiem rynkowym: Modelowanie, estymacja oraz testowanie historyczne (backtesting) rynkowych szeregów czasowych na potrzeby wyznaczania miar Value at Risk (VaR) oraz Expected Shortfall (ES).
Algorytmy Reinforcement Learning w finansach: Wykorzystanie uczenia przez wzmacnianie (RL) do analizy szeregów czasowych, automatycznego podejmowania decyzji inwestycyjnych, optymalizacji portfela oraz budowy autonomicznych agentów handlowych (agent-based modeling).
Finanse behawioralne w analizie rynkowej: Badanie wpływu anomalii rynkowych, nastrojów inwestorów (sentiment analysis) oraz psychologii tłumu na anomalie w szeregach czasowych, zmienność cen i powstawanie baniek spekulacyjnych.
W pierwszym semestrze każdy student będzie zobowiązanych do omówienia wybranego artykułu z zakresu planowanej pracy licencjackiej oraz w drugiej części semestru przygotowania prezentacji wstępnych wyników swoich badań.
Seminarium w drugim semestrze zostanie zaliczenie po przygotowaniu bardzo dobrej pracy magisterskiej.
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Efekty uczenia się
Wiedza:
1. Student zna zasady pisania pracy licencjackiej.
2. Student zna metody analizowania danych
3. Student zna podstawy metodologii naukowej i sposoby formułowania hipotez badawczych
Umiejetności:
1. Student potrafi wyszukiwać, czyścic i analizowac dane potrzebe do przeprowadzenie badania empirycznego w swojej pracy licencjackiej. Student potrafi przygotować pracę magisterską zgodnie z przyjętymi praktykami.
2. Student potrafi zastosować wiedzę nabytą podczas studiów do swojego badania empirycznego w pracy magisterskiej
Kryteria oceniania
1 semestr: omówienia wybranego artykułu z zakresu planowanej pracy magisterskiej oraz w drugiej części semestru przygotowania prezentacji wstępnych wyników swoich badań.
2 semestr: zaliczenie po przygotowaniu bardzo dobrej pracy magisterskiej
Literatura
Dobierana indywidualnie do potrzeb studenta oraz specyfiki wybranego tematu pracy licencjackiej (ze szczególnym uwzględnieniem międzynarodowych artykułów naukowych z zakresu Machine Learning oraz Financial Econometrics).