Od danych do decyzji: uczenie maszynowe w finansach i biznesie 2400-PL3SL339A

We współczesnym otoczeniu finansowym i biznesowym dostępność danych jest nieporównywalnie większa niż w przeszłości, jednak ich rzeczywista wartość ujawnia się dopiero wówczas, gdy potrafimy je w przemyślany sposób przetworzyć, zamodelować i zinterpretować. Rosnąca rola, jaką w tych obszarach odgrywają metody uczenia maszynowego i uczenia statystycznego, zmienia zarówno warsztat badacza, jak i oczekiwania stawiane wynikom pracy ilościowej – z naciskiem na rzetelność walidacyjną, interpretowalność modeli oraz reprodukowalność uzyskanych rezultatów.

Seminarium prowadzone jest przez badacza łączącego pracę naukową z wieloletnim doświadczeniem w realizacji komercyjnych projektów ilościowych – m.in. w sektorze ubezpieczeniowym, e-commerce i logistycznym – oraz w kierowaniu zespołami analitycznymi. Pozwala to szczególnie efektywnie wspierać prace z pogranicza ekonometrii i nowoczesnych metod uczenia maszynowego, w tym dotyczące finansów ilościowych, modelowania ryzyka, prognozowania szeregów czasowych, metod probabilistycznych oraz zaawansowanej analityki klienta i decyzji biznesowych. Jednocześnie zakres dopuszczalnych tematów pozostaje świadomie szeroki – mile widziany jest każdy temat, który łączy poprawnie sformułowane pytanie badawcze z rzetelnie zastosowaną metodyką ilościową.

W trakcie seminarium nacisk położony zostanie na wyciąganie sensownych wniosków i krytyczną dyskusję wyników, nie zaś wyłącznie na techniczne zastosowanie metod do zbioru danych. Studenci są zachęcani, aby od początku patrzyli na swoje badanie jako na spójną narrację: od dobrze zdefiniowanego pytania, przez dane i model, po decyzję, rekomendację lub wniosek naukowy, który uzyskane wyniki uzasadniają.

Przykładowe inspiracje tematyczne:

• Porównanie skuteczności różnych metod ilościowych dla wybranego problemu finansowego lub biznesowego, z naciskiem na rzetelność procedury walidacyjnej i odporność wniosków.

• Studia przypadków na danych z sektora finansowego, ubezpieczeniowego, e-commerce lub logistyki z wykorzystaniem nowoczesnych technik uczenia maszynowego.

• Modelowanie probabilistyczne i prognozowanie zjawisk gospodarczych, rynkowych lub operacyjnych.

• Modele pomiaru ryzyka i niepewności w zastosowaniach ekonomiczno-finansowych.

• Wnioskowanie przyczynowe (causal machine learning) w decyzjach biznesowych oraz w ocenie efektów polityk i interwencji.

• Zastosowania uczenia maszynowego poza klasycznym kontekstem analitycznym – m.in. ekonomia behawioralna, polityka publiczna, analiza zjawisk społecznych z perspektywy ekonomicznej.

Zajęcia mają formę regularnych konsultacji indywidualnych, uzupełnionych o wspólne dyskusje nad postępami uczestników – zarówno na etapie projektowania badania, jak i interpretacji wyników. W trakcie seminarium studenci sformułują pytanie badawcze, przeprowadzą przegląd literatury, zaprojektują własne badanie, zbudują narrację łączącą metody i dane, a finalnie napiszą i obronią pracę licencjacką.

Stos narzędziowy. Praca dyplomowa pisana jest wyłącznie w LaTeX-u. Rekomendowanym środowiskiem edycji jest Overleaf lub lokalna instalacja dystrybucji TeX-a; bibliografia prowadzona jest w formacie BibTeX. Całość projektu – zarówno kod, jak i pliki źródłowe pracy – znajduje się w repozytorium git (rekomendowany GitHub) o czytelnej historii commitów i sensownie zorganizowanej strukturze katalogów. W projektach realizowanych w Pythonie preferowanym menedżerem środowisk i zależności jest uv, z definicją projektu w pyproject.toml; w projektach realizowanych w R rekomendowane jest renv. Niezależnie od wybranego stosu, środowisko obliczeniowe musi być reprodukowalne – dowolna osoba mająca dostęp do repozytorium powinna być w stanie odtworzyć przedstawione wyniki bez kontaktu z autorem. Preferowanym językiem programowania jest Python; akceptowany jest również R.

Szacunkowy nakład pracy studenta: 3ECTS x 25h = 75h
(K) - godziny kontaktowe (S) - godziny pracy samodzielnej
wykład (zajęcia): 0h (K) 0h (S)
ćwiczenia (zajęcia): 0h (K) 0h (S)
egzamin: 0h (K) 0h (S)
konsultacje: 30h (K) 45h (S)
przygotowanie do ćwiczeń: 0h (K) 0h (S)
przygotowanie do wykładów: 0h (K) 0h (S)
przygotowanie do kolokwium: 0h (K) 0h (S)
przygotowanie do egzaminu: 0h (K) 0h (S)
…: 0h (K) 0h (S)
Razem: 30h (K) + 45h (S) = 75h