Код и капитал: студенты МИЭФ изучают применение методов машинного обучения в инвестиционном анализе

МИЭФ продолжает успешно реализовывать серию мастер-классов для студентов, где приглашенные практики-эксперты ставят перед студентами реальные задачи.

© iStock

Интеграция практических навыков с теоретическим обучением имеет особое значение для студентов, изучающих финансы, инвестиции и экономику. В условиях быстрого развития технологий, особенно в области анализа данных и машинного обучения, владение современными инструментами и языками программирования, такими как Python, становится критически важным для успешной карьеры в финансовом секторе.

В марте для студентов МИЭФ состоялся онлайн мастер-класс на тему «Машинное обучение в финансовой сфере: линейные модели и кластеризация». Занятие провели Иван Гудков - главный экономист Службы анализа рисков Центрального Банка РФ, и доцент МИЭФ, преподаватель курса «Управление инвестиционным портфелем» Елена Анатольевна Димова.

Мероприятие собрало 75 участников, которые смогли ознакомиться с реальными примерами использования технологий машинного обучения для предсказания цен на акции и поиска аналогов ценных бумаг.

Иван Гудков продемонстрировал код и данные, что позволило участникам лучше понять суть методов и их практическое применение.

По итогам мастер-класса были сформулированы обязательные задания, которые студенты выполнили в рамках курса «Управление инвестиционным портфелем». Задания включали практическое использование Python для анализа данных и нахождения моделей, что позволило студентам применить полученные знания на практике.

В первом задании нужно было предсказать цены акций: скачать исторические данные о ценах за последние пять лет на 7-10 акций, рассчитать доходности, построить линейную регрессию и Лассо-модель, сравнить результаты и проанализировать влияние отдельных факторов на цену исследуемого актива. А также выполнить ряд тестов на нормальность и корреляцию остатков моделей.

Второе задание связано с поиском аналогов ценных бумаг. Студенты должны были скачать данные по акциям, разбить их на группы с использованием метода k-means. Далее интерпретировать результаты и определить количество кластеров, полученных при применении различных параметров. Для желающих выполнить усложненные версии заданий предусмотрено использование собственных реализаций алгоритмов без встроенных библиотек Python.

Для студентов это отличная возможность закрепить изученные темы и сформировать навыки анализа данных и применения машинного обучения для принятия инвестиционных решений.

Машинное обучение в финансовой сфере, включая линейные модели и кластеризацию, может значительно повысить эффективность управления инвестиционным портфелем. Линейные модели позволяют предсказывать цены активов на основе исторических данных, что помогает инвесторам принимать обоснованные решения о покупке или продаже ценных бумаг.

Классификация и кластеризация, в свою очередь, помогают группировать схожие активы, выявлять зависимости и находить аналогичные инвестиционные возможности, что способствует диверсификации портфеля и снижению рисков. В итоге, применение этих методов дает возможность более точно анализировать рынок, предсказывать тренды и оптимизировать инвестиционные стратегии.