AI in Investments 2400-MIKRO-AIBF-AII
Kurs wprowadza uczestników w kompletny proces budowy, testowania i wdrażania strategii inwestycyjnych opartych na sztucznej inteligencji, zorganizowany wokół procesu badawczego nowoczesnej systematycznej firmy inwestycyjnej: Dane → Cechy → Sygnały → Prognozy → Portfel → Ryzyko → Egzekucja → Wyniki → Agenci AI. Pytanie przewodnie brzmi: jak zbudować strategię inwestycyjną opartą na AI, która przetrwa kontakt z zaszumionymi danymi, kosztami transakcyjnymi, ograniczeniami ryzyka i realiami egzekucji? Kurs realizowany jest w ciągu jednego dnia w formie czterech 90-minutowych sesji, łączących kontekst badań naukowych z praktycznymi demonstracjami opartymi na wykonywalnych notatnikach Python. Studia przypadków oparte są na recenzowanych publikacjach Roberta Ślepaczuka i współautorów.
Sesja 1 — Od hipotezy rynków efektywnych do strategii algorytmicznych: hipoteza rynków efektywnych (EMH) i jej empiryczne naruszenia (momentum, efekty kalendarzowe, anomalia overnight); anatomia strategii algorytmicznej; źródła danych i pułapki jakości danych (survivorship bias, błędy korekt, niezgodność stref czasowych, point-in-time bias); optymalizacja krocząca (walk-forward, WFO) i podwójna walidacja out-of-sample; miary efektywności (ARC, ASD, MD, SR, IR*, IR**, IR***); dobór wielkości pozycji (fixed-fractional, volatility targeting, kryterium Kelly'ego); funkcje straty MADL i GMADL; studium przypadku momentum na S&P 500; koszty transakcyjne i istotność statystyczna backtestów.
Sesja 2 — Uczenie maszynowe i uczenie głębokie: modele klasyczne (ARIMA, GARCH) jako punkty odniesienia; modele uczenia maszynowego (Random Forest, XGBoost, LightGBM); głębokie modele sekwencyjne (MLP, LSTM, GRU, TCN); architektury typu transformer (Transformer, TFT, Informer, PatchTST, Chronos); studium przypadku hybrydy LSTM-ARIMA; prognozowanie zmienności (zespoły VIX, GARCH i LSTM); wyjaśnialna sztuczna inteligencja (SHAP, istotność cech) jako wymóg ładu korporacyjnego.
Sesja 3 — Głębokie uczenie ze wzmocnieniem, optymalizacja portfela i agenci AI: konstrukcja portfela Markowitza z prognozami stóp zwrotu z modeli ML; wskaźniki ryzyka systemowego; głębokie uczenie ze wzmocnieniem w zarządzaniu portfelem (sformułowanie MDP, PPO, SAC, kształtowanie funkcji nagrody); systematyczne wystawianie opcji indeksowych (modele Blacka-Scholesa-Mertona i Variance-Gamma); duże modele językowe (LLM) w analizie dokumentów finansowych; generowanie wspomagane wyszukiwaniem (RAG); wieloagentowe architektury inwestycyjne (agenci: danych, prognoz, ryzyka, egzekucji i zarządzający portfelem, z logiką weta); omówienie projektu końcowego.
Sesja 4 — Informer w wysokoczęstotliwościowym handlu bitcoinem: pogłębiona analiza pracy Stefaniuk i Ślepaczuk (2026, Expert Systems with Applications): pytania badawcze i wysokoczęstotliwościowe dane BTC/USDT (5/15/30 min); metodologia WFO z oknami kroczącymi; ewolucja od sieci jednokierunkowych przez RNN/LSTM i Transformer do Informera (uwaga ProbSparse, złożoność O(L log L)); funkcja straty GMADL i jej parametry; porównanie wyników dla różnych częstotliwości; rozbudowane analizy wrażliwości (wielkość okna walidacyjnego, liczba okien, źródło danych, poziomy kosztów transakcyjnych, reżimy rynkowe); istotność cech i kroków czasowych. Kluczowy wynik: Informer trenowany funkcją GMADL na danych 5-minutowych osiąga ARC +116% oraz IR** 7,55 wobec 0,04 dla strategii Buy-and-Hold.
Uczestnicy otrzymują slajdy, wykonywalne notatniki, studia przypadków i moduły Python wielokrotnego użytku. Demonstracje wykorzystują dane publiczne lub syntetyczne; żaden element kursu nie stanowi porady inwestycyjnej.
Projekt Application of Artificial Intelligence in Business and Finance (nr BPI/SPI/2024/1/00078) realizowany przez Uniwersytet Warszawski w ramach programu Spinaker organizowanego przez Narodową Agencję Wymiany Akademickiej (w ramach projektu Wsparcie tworzenia i realizacji międzynarodowych programów kształcenia, finansowanego ze środków Funduszy Europejskich dla Rozwoju Społecznego 2021-2027).
Koordynatorzy przedmiotu
Certyfikat mikropoświadczenia
Efekty uczenia się
Po ukończeniu kursu uczestnik/uczestniczka:
Wiedza:
1. objaśnia trzy formy hipotezy rynków efektywnych oraz udokumentowane empirycznie anomalie (momentum, efekty kalendarzowe, anomalia overnight);
2. opisuje pełny proces algorytmicznej strategii inwestycyjnej: dane, cechy, generowanie sygnałów, prognozy, konstrukcja portfela, zarządzanie ryzykiem, egzekucja i ocena wyników;
3. wskazuje główne przyczyny porażek strategii AI: przeuczenie, look-ahead bias, survivorship bias, wyciek danych, niestacjonarność oraz pomijanie kosztów transakcyjnych;
4. charakteryzuje główne klasy modeli stosowanych w inwestowaniu ilościowym: klasyczne (ARIMA, GARCH), uczenia maszynowego (Random Forest, XGBoost, LightGBM), uczenia głębokiego (MLP, LSTM, GRU, TCN), typu transformer (Transformer, TFT, Informer, PatchTST, Chronos), głębokiego uczenia ze wzmocnieniem (PPO, SAC) oraz wieloagentowe architektury oparte na LLM/RAG;
5. definiuje miary efektywności ARC, ASD, MD, SR, IR*, IR**, IR*** oraz funkcje straty dopasowane do tradingu: MADL i GMADL.
Umiejętności:
6. projektuje optymalizację kroczącą (WFO) oraz protokół podwójnej walidacji out-of-sample, unikając look-ahead bias i data snoopingu;
7. oblicza i interpretuje miary efektywności skorygowane o ryzyko, w tym ich wrażliwość na koszty transakcyjne;
8. stosuje funkcje straty MADL/GMADL w celu powiązania treningu modelu z zyskownością strategii;
9. interpretuje analizy istotności cech i kroków czasowych oparte na SHAP dla finansowych modeli prognostycznych;
10. prototypuje optymalizację portfela z prognozami ML oraz agenta portfelowego opartego na głębokim uczeniu ze wzmocnieniem, korzystając z udostępnionych notatników Python;
11. krytycznie ocenia wyniki empiryczne strategii AI (istotność statystyczna, analizy wrażliwości, reżimy rynkowe).
Kompetencje społeczne:
12. pracuje w zespole projektującym kompletnego agenta inwestycyjnego AI (projekt końcowy);
13. komunikuje ograniczenia modeli i mechanizmy kontroli ryzyka odbiorcom technicznym i nietechnicznym;
14. rozumie ograniczenia etyczne i regulacyjne stosowania AI w inwestowaniu oraz ma świadomość, że treści kursu nie stanowią porady inwestycyjnej.
Kryteria oceniania
Efekty uczenia się weryfikowane są pisemnym post-testem (pytania zamknięte obejmujące materiał wszystkich czterech sesji), przeprowadzanym na zakończenie kursu i porównywanym z pre-testem w celu pomiaru przyrostu wiedzy, zgodnie z metodologią programu SPINAKER. Kryteria zaliczenia: obecność na zajęciach oraz przystąpienie do pisemnego post-testu.
Literatura
Literatura podstawowa — badania, na których oparty jest kurs:
– Stefaniuk F., Ślepaczuk R. (2026). A neural network informer in algorithmic investment strategies on high-frequency bitcoin data. Expert Systems with Applications, 317, 131599. https://doi.org/10.1016/j.eswa.2026.131599
– Michańków J., Sakowski P., Ślepaczuk R. (2024). Mean Absolute Directional Loss as a new loss function for machine learning problems in algorithmic investment strategies. Journal of Computational Science, 81, 102375. https://doi.org/10.1016/j.jocs.2024.102375
– Michańków J., Sakowski P., Ślepaczuk R. (2024). Generalized Mean Absolute Directional Loss as a Solution to Overfitting and High Transaction Costs in Machine Learning Models Used in High-Frequency Algorithmic Investment Strategies. arXiv:2412.18405. https://doi.org/10.48550/arXiv.2412.18405
– Michańków J., Sakowski P., Ślepaczuk R. (2026). Alternative Loss Function in Evaluation of Algorithmic Investing Strategies Based on Transformer Models. Pattern Recognition Letters, 203, 170–176. https://doi.org/10.1016/j.patrec.2026.03.007
– Mroziewicz T., Ślepaczuk R. (2026). A Novel Approach to Trading Strategy Parameter Optimization, Using Double Out-of-Sample Data and Walk-Forward Techniques. arXiv:2602.10785. https://doi.org/10.48550/arXiv.2602.10785
– Kashif K., Ślepaczuk R. (2025). LSTM-ARIMA as a hybrid approach in algorithmic investment strategies. Knowledge-Based Systems, 320, 113563. https://doi.org/10.1016/j.knosys.2025.113563
– Roszyk N., Ślepaczuk R. (2024). The Hybrid Forecast of S&P 500 Volatility Ensembled from VIX, GARCH and LSTM Models. arXiv:2407.16780. https://doi.org/10.48550/arXiv.2407.16780
– Grudniewicz J., Ślepaczuk R. (2023). Application of machine learning in quantitative investment strategies on global stock markets. Research in International Business and Finance, 66, 102052. https://doi.org/10.1016/j.ribaf.2023.102052
– Kość K., Sakowski P., Ślepaczuk R. (2019). Momentum and Contrarian Effects on the Cryptocurrency Market. Physica A: Statistical Mechanics and its Applications, 523, 691–701. https://doi.org/10.1016/j.physa.2019.02.057
– Ślusarczyk D., Ślepaczuk R. (2025). Optimal Markowitz portfolio using returns forecasted with time series and machine learning models. Journal of Big Data, 12(1), Article 127. https://doi.org/10.1186/s40537-025-01164-z
– Sakowski P., Sieradzki R., Ślepaczuk R. (2025). Systemic risk indicator based on implied and realized volatility. Quality & Quantity, 60(2), 6389–6427. https://doi.org/10.1007/s11135-025-02515-x
– Wysocki M., Ślepaczuk R. (2025). Systematic index option-writing strategies with Black-Scholes-Merton and Variance-Gamma Models. Economic Modelling, 152, 107234. https://doi.org/10.1016/j.econmod.2025.107234
– Kashif K., Ślepaczuk R. (2026). Deep Reinforcement Learning Framework for Diversified Portfolio Management Across Global Equity Markets. arXiv. https://doi.org/10.48550/arXiv.2605.17307
– Lebiedź D., Ślepaczuk R. (2026). Dynamic Multi-Pair Trading Strategy in Cryptocurrency Markets with Deep Reinforcement Learning. arXiv. https://doi.org/10.48550/arXiv.2606.04574
– Płachta K., Ślepaczuk R. (2025). Machine Learning for Daily Return Direction Forecasting: A Comparative Study with Explainable AI Insights. SSRN:5272156. https://ssrn.com/abstract=5272156
– Bieganowski B., Ślepaczuk R. (2025). Supervised Autoencoder MLP for Financial Time Series Forecasting. Journal of Big Data, 12(1), Article 207. https://doi.org/10.1186/s40537-025-01267-7
– Łaniewski S., Ślepaczuk R. (2025). Evaluating the Chronos Foundation Model for Daily Stock Index Forecasting. Proceedings of the 33rd International Conference on Information Systems Development. https://doi.org/10.62036/ISD.2025.48
– Lis S., Ślepaczuk R., Sakowski P. (2026). Overreaction as an indicator for momentum in algorithmic trading. arXiv:2602.18912. https://doi.org/10.48550/arXiv.2602.18912
Literatura uzupełniająca:
– Fama E.F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383–417.
– Jegadeesh N., Titman S. (1993). Returns to buying winners and selling losers. Journal of Finance, 48(1), 65–91.
– Lou D., Polk C., Skouras S. (2019). A tug of war: Overnight versus intraday expected returns. Journal of Financial Economics, 134(1), 192–213.
– Harvey C.R., Liu Y. (2015). Backtesting. Journal of Portfolio Management, 42(1), 17–28.
– DeMiguel V., Garlappi L., Uppal R. (2009). Optimal Versus Naive Diversification: How Inefficient Is the 1/N Portfolio Strategy? Review of Financial Studies, 22(5), 1915–1953.
– Madan D.B., Carr P.P., Chang E.C. (1998). The Variance Gamma Process and Option Pricing. European Finance Review, 2(1), 79–105.
– Moody J., Saffell M. (2001). Learning to Trade via Direct Reinforcement. IEEE Transactions on Neural Networks, 12(4), 875–889.
– Vaswani A. et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS). arXiv:1706.03762.
– Zhou H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 35(12), 11106–11115.