Углубленный курс по анализу данных для финансистов: многомерные методы

Этот курс является логическим продолжением курса «Вводный курс по анализу данных для финансистов: теория и практика на компьютере».

Финансовые данные по природе своей являются многомерными – одни показатели зависят от других.

В рамках данного курса слушатели обучаются актуальным многомерным методам, которые широко используются в современной финансовой сфере. Изложение начинается с простейших линейных моделей и заканчивается обобщенными линейными и нелинейными моделями.

Отдельное внимание в курсе уделяется задачам слушателей.

Примечание. Для прослушивания данного курса требуется свободное владение материалом в объеме курса «Вводный курс по анализу данных для финансистов: теория и практика на компьютере».

Цель курса

Более детально рассмотреть методологии и технологии анализа финансовых данных.

Для кого этот курс?

Это курс для тех, кто хочет научиться анализировать и понимать финансовые данные.

Программа курса

1. Основные понятия анализа многомерных финансовых данных

2. Регрессионный анализ

   • Общие линейные модели (GLM)

   • Общие модели частных наименьших квадратов (PLS)

   • Общие регрессионные модели (GRM)

   • Обобщенные линейные и нелинейные модели (GLZ)

   • Применения регрессионного анализа в банковской сфере

3. Анализ временных рядов

   • Общая постановка задачи прогнозирования: горизонт прогноза, прогноз краткосрочный, среднесрочный, долгосрочный

   • Тренд, сезонные составляющие, циклические компоненты

   • Описательный анализ временного ряда

     • Выборочные характеристики временных рядов: среднее, дисперсия, автокорреляционная функция, частная автокорреляционная функция

     • Распределение выборочных характеристик, точность оценок

     • Стационарные и нестационарные временные ряды

   • Простейшие методы прогнозирования

     • Модели экспоненциального сглаживания

       • Экспоненциальное сглаживание

       • Линейное экспоненциальное сглаживание

     • Методы декомпозиции временных рядов

       • Тренд и сезонность

       • Случайная компонента

       • Выделение циклической компоненты

     • Выделение скрытых периодичностей - спектральный анализ

       • Введение в спектральный анализ

       • Анализ периодограммы

       • Кросс-спектральный анализ

   • Линейные модели прогнозирования. ARIMA модель

     • Условия стационарности линейного процесса

     • Методология Бокса-Дженкинса идентификации ARIMA модели

     • Прогнозирование на основе ARIMA модели

     • Анализ остатков

   • Модели ARIMA с интервенцией

     • Типы интервенций. Параметры интервенций

     • Оценка адекватности модели

4. Анализ взаимосвязанных рядов, анализ распределенных лагов

5. Использование профилей желательности в задаче оптимизации

6. Многомерный анализ финансовых данных

   • Анализ главных компонент

     • Анализ доходности

     • Интерпретация главных компонент

   • Факторный анализ

7. Введение в методологию построения скоринговых моделей

   • Составление анкет

   • Сбор данных, объем данных

   • Чистка и верификация данных

   • Дескриптивный анализ, группировка и визуализация анкетных данных

   • Критерий «bad» и «good» клиентов

   • Отсеивание признаков

   • Различные методы построения скоринг-карт:

     • Обобщенные линейные и нелинейные модели

     • Общие модели дискриминантного анализа

     • Деревья классификации

     • Метод к-ближайших соседей

     • Байесовские процедуры

     • Метод опорных векторов

     • MAP сплайны

     • Нейронные сети

   • Настройка алгоритмов

   • Уровень отсечения – cut off

   • Оценка качества скоринг-карт, мониторинг и улучшение качества

8. Вопросы и ответы

Длительность курса

15 академических часов, курс разбивается на 3 рабочих дня