Анализ статистической информации финансовых рынков с использованием алгоритмов машинного обучения и нечеткой логики (командный проект) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Компоненты (Из каких частей состоит проект?))
(Какие будут использоваться технологии?)
Строка 65: Строка 65:
  
 
=== Какие будут использоваться технологии? ===
 
=== Какие будут использоваться технологии? ===
- C++ / Python в рамках прослушанного курса
+
- C++ / Python в рамках прослушанного курса<br />
- R Language (+ библиотеки)
+
 
- MOEX рыночные данные
+
- R Language (+ библиотеки)<br />
- Yahoo Finance, NASDAQ, NYMEX, CBOT...
+
 
- Google Finance
+
- MOEX рыночные данные<br />
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)
+
 
 +
- Yahoo Finance, NASDAQ, NYMEX, CBOT...<br />
 +
 
 +
- Google Finance<br />
 +
 
 +
- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)<br />
  
 
=== Какие начальные требования? ===
 
=== Какие начальные требования? ===

Версия 15:18, 14 октября 2016

Компания Open TRM (Open Trade and Risk Management)
Учебный семестр Осень 2016
Учебный курс 3-й курс
Максимальное количество студентов, выбравших проект: 3-4



Что это за проект?

В рамках данного проекта предлагается разработать рабочий прототип системы для проведения индикативного статитистического и качественного анализа для поиска эффективных инвестиций и прогнозирования. Программа должна получать на вход: - историю финансовых котировок (из файлов или внешних источников)

- Формализованную текстовую информацию (Лента новостей)


Для статистической обработки рассчитывать выбранные показатели для каждого из активов, например:

-Расчет волатильности цены финансового актива по методу GARCH

-Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)

-Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)


Используя текстовую информацию (лента новостей) и мнение эксперта система должна иметь функциональность формировать базу знаний нечетких правил для принятия решений о выборе финансового актива для инвестиций.

Система должна иметь возможность проверки адекватности модели и выбранных правил на основе ретроспективных рыночных и текстовых данных (Backtesting).

Чему научатся студенты? Что самое интересное в проекте?

-Формулировать постановку задачи

-Писать надежный и понятный код

-Получите базовые знания работы на глобальных финансовых рынках

-Научитесь проводить количественный анализ финансовых активов (Quantification Analysis of Financial Market)

-Применять алгоритмы машинного обучения и нечеткой логики для статистической обработки финансовой информации

Организация работы (Как студенты будут работать в команде?)

Планируется проектная комманда от 3 до 4 человек. В рамках проектной комманды планируются следующие роли участников:

-Архитектор решения/Аналитик

-Разработчик

-Тестировщик/постановщик задачи


В рамках проектной работы предполагается использовать Agile подход к организации работ. В рамках вводных занятий будет проведен инструктаж по распределению обязанностей и планирования работ.

Компоненты (Из каких частей состоит проект?)

1. Инициация проекта и планирование

2. Формирование архитектуры будущего решения и проектирование

3. Разработка модулей системы согласно ТЗ

4. Интеграционное тестирование полученного решения

5. Функциональное и пользовательское тестирование полученного решения

6. Документирование и закрытие проекта

Какие будут использоваться технологии?

- C++ / Python в рамках прослушанного курса

- R Language (+ библиотеки)

- MOEX рыночные данные

- Yahoo Finance, NASDAQ, NYMEX, CBOT...

- Google Finance

- Реляционные базы данных (MS SQL, PostgreSQL, Sybase)

Какие начальные требования?

-Программирование на C/C++/Python (в рамках прослушанного курса)

Темы вводных занятий

- Основы управления проектами и работа в комманде (основные подходы: Agile vs. Waterfall, Scope Management, Project documentation, Project Planning, Project Design etc) - Основы финансовой математики и финансовых рынков - Статистическая обработка рыночной информации - Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) - Основы теории нечеткой логики (Fuzzy Logic) - Основы проведения презентации

Критерии оценки

4-5: Участие в проектных семинарах, подготовка прототипа и необходимой документации согласно выбранной задаче;
6-7: Проведение расширенного тестирования своей задачи (на основе подготовленных экспериментальных данных) и участие в кросс-тестировании модулей других участников проектной команды;
8-10: Подготовка расширенного описания своей задачи в виде предлагаемого комплекта проектной документации (Бизнес требования - BRD; Техническое задание - FSD; Документация по программе).

Похожие проекты

Контактная информация

E-mail: ivan.lisenkov@gmail.com

Телефон: +7(916)687-87-06