Машинное обучение в анализе волатильности рынков
Понять, как алгоритмы находят закономерности в хаосе ценовых колебаний — это возможность видеть рынки под другим углом. Вы научитесь строить модели, которые анализируют исторические данные и помогают принимать взвешенные решения в условиях неопределенности.
Как построена программа
Основы анализа временных рядов
- Природа волатильности в финансовых данных
- Стационарность и автокорреляция
- Построение базовых моделей ARIMA
- Работа с пропущенными значениями и выбросами
Модели волатильности GARCH
- Семейство моделей ARCH и GARCH
- Оценка параметров методом максимального правдоподобия
- EGARCH и TGARCH для асимметрии
- Прогнозирование условной дисперсии
Машинное обучение для предсказания
- Градиентный бусти ng и случайные леса
- Создание признаков из ценовых данных
- Кросс-валидация на временных рядах
- Метрики оценки качества прогнозов
Нейронные сети и LSTM
- Архитектура рекуррентных сетей
- LSTM для последовательностей цен
- Attention-механизмы в прогнозировании
- Регуляризация и предотвращение переобучения
Оценка рисков и управление портфелем
- Value at Risk и Expected Shortfall
- Моделирование экстремальных событий
- Оптимизация портфеля с учетом волатильности
- Бэктестинг торговых стратегий
Практический проект
- Сбор и подготовка реальных данных
- Построение комплексной модели прогноза
- Интерпретация результатов и ограничений
- Презентация работы и обсуждение
Кто проводит занятия
Тимур Жанабаев
Специалист по количественному анализу
Работал в отделе риск-менеджмента крупного инвестиционного фонда, где строил модели оценки волатильности для различных классов активов. Защитил кандидатскую диссертацию по эконометрике в 2019 году.
Последние четыре года преподает машинное обучение и статистические методы анализа финансовых данных. Публикует исследования в журналах по количественным финансам и регулярно выступает на специализированных конференциях.
На курсе делится практическим опытом работы с реальными данными, показывает, где модели работают хорошо, а где их применение может привести к ошибочным выводам. Все примеры основаны на задачах, с которыми сталкиваются аналитики в работе.
Выберите формат обучения
Начните изучение машинного обучения в финансах
Запись на ближайший поток уже открыта. Если у вас есть вопросы о программе, уровне подготовки или формате занятий, свяжитесь с нами — обсудим детали и поможем выбрать подходящий вариант.
