Студенческие проекты ЦМФ |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-12-13 11:30 Студенческие проекты 1 уровня программы «Количественная аналитика» Проекты были выполнены с 4 сентября по 16 октября 2021 года. Одновременно студенты программы «Количественная аналитика» выполняли 4 проекта (по одному в каждом блоке) Руководители проектов — сотрудники международных и российских компаний и университетов: Google, McKinsey, BNP Paribas, APG Asset Management, Сбербанк КИБ, Renaissance Capital, МГУ, НИУ ВШЭ и других Блок 1. Финансовые инструменты и опционы Оценка стоимости структурных продуктов Михаил Марунин, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=XPrwauFey6U 0:18 Структурные продукты 0:40 Прайсинг Инвестиционной облигации Б-1-116 «USDRUB» ВТБ Капитал 4:30 Прайсинг Reverse Convertible 7:25 Прайсинг Barrier Reverse Convertible Оценка стоимости свопов Никита Огородников, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=Nt8Lz-nsdok 0:12 Свопы 1:00 Расчёт Hedge Ratio 3:00 Расчёт Swap Spread 4:19 Оценка стоимости опциона на своп 7:55 Проверка гипотез о свойствах реальных данных по свопам Прайсер деривативов (подзадачи: интерполяция и биномиальная модель) Никита Федяшин, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=88eWZbRF_Zc 0:08 Линейная интерполяция 1:15 Оценка стоимости опциона: биномиальная модель 5:25 Сравнение биномиальной модели и модели Блэка-Шоулза Блок 2. Машинное обучение и эконометрика Скоринг новостей и использование новостей для алгоритмического трейдинга Максим Звегинцев, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=nYr5mkhALMk 0:15 Постановка задачи и обзор данных 1:08 Предобработка данных 3:30 BERT (Bidirectional Encoder Representations from Transformers) 5:22 Оценка результатов Кластеризация криптовалют: BTC, ETH, USDT, BNB, LTC, XRP, ADA, EOS, NEO, DOGE и др. Илья Суманов, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=G_AuN0Np9RE 0:15 Цель проекта: найти криптовалюты, цена которых отлична от биткоина 1:08 Обзор методов: KMeans, TS KMeans, Dynamic Time Warping, Feature Clustering 1:55 Загрузка данных через API биржи Binance 4:55 Визуализация данных 6:35 KMeans 10:20 TS KMeans 11:48 Dynamic Time Warping - слишком медленный 12:25 Feature Clustering 17:56 Проверка гипотезы: при увеличении доминации биткоина, кластер с биткоином будет более многочисленным 21:15 Идеи для дальнейшего исследования Прогноз реализованной волатильности криптовалют методами эконометрики и машинного обучения https://www.youtube.com/watch?v=8ciHuprMSiM 0:12 метрика RMSPE 1:01 Обзор данных: BTC, ETH, XRP, EOS, LTC 2:31 Методы финансовой эконометрики: MA, EWMA, GARCH 4:50 Библиотека Prophet от Facebook 6:55 Методы машинного обучения: Random Forest и бустинг 9:00 Оптимизация RMSPE (для BTC / USDT) 11:50 Walk forward-оптимизация Эконометрическое прогнозирование показателей финансовой отчётности Алия Рахимкулова, студентка программы «Количественная аналитика»: https://www.youtube.com/watch?v=GlnXAKZUN-0 0:16 Обзор данных 1:31 Проверка на сезонность и корреляционный анализ признаков 2:00 Подготовка данных в Python 4:26 Построение моделей 6:03 Графики прогнозов Прогнозирование вероятности дефолта розничных заёмщиков методами машинного обучения Егор Зыков, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=GugLbO9NthQ 0:14 Кредитный скоринг — постановка задачи 1:12 Предобработка данных 2:08 kNN, Random Forest, XGBoost, Voting Ensemble 3:26 ROC AUC 3:52 Выводы Блок 3. Анализ акций Анализ динамики стоимости технологических компаний после IPO — сингапурский конгломерат SEA Екатерина Архипова, студентка программы «Количественная аналитика»: https://www.youtube.com/watch?v=wkFTZs0fcW0 0:10 SEA — холдинговая компания 0:35 Garena — разработчик и издатель онлайн игр 1:15 Shopee — e-commerce платформа 1:47 Sea money — платёжная система и провайдер финансовых услуг 2:15 Структура выручки SEA 5:26 Структура себестоимости SEA 6:25 Основные факторы развития 7:32 IPO SEA в 2017 году 7:55 Динамика стоимости и финансовых показателей после IPO 10:28 Выводы Weibo Corporation investment analysis Anastasiia Sarmakeeva, student of the Quantitative Analytics program: https://www.youtube.com/watch?v=q8GoJOuEEso 0:10 Weibo — social microblogging network 1:19 Revenue breakdown and cost of revenue 3:50 Weibo is a cyclic company 5:31 Financial metrics 6:18 Comparison Weibo with competitors: Twitter and TikTok Блок 4. Теория вероятностей, математическая статистика, случайные процессы Анализ данных по коронавирусу и сгенерированных данных Александр Ланцов, студент программы «Количественная аналитика»: https://www.youtube.com/watch?v=blMLK620yCg 0:35 Первая неделя: генераторы случайных чисел 2:35 Данные по коронавирусу 4:55 Вторая неделя: обработка данных по коронавирусу — учёт выходных и понедельников, оценка распределения, анализ динамики 7:32 Третья неделя: генераторы случайных процессов (винеровский, AR, марковский, GARCH и др.), оценка квантилей (VaR) Источник: m.vk.com Комментарии: |
|