Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Machine Learning in Finance II

Informacje ogólne

Kod przedmiotu: 2400-QFU2MLF2
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Machine Learning in Finance II
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Anglojęzyczna oferta zajęć WNE UW
Przedmioty obowiązkowe dla II roku Quantitative Finance
Punkty ECTS i inne: 3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis: (tylko po angielsku)

The course covers more advanced methods of machine learning: boosting models, neural networks, and Bayesian time series models. Both theoretical background and practical empirical applications in finance are discussed. Practical part covers problems of regression and classification problems, processing and forecasting of sequences, time-series analysis and deployment of methods in the cloud environment.

Pełny opis: (tylko po angielsku)

The course consists of 3 chapters divided according to the class of presented algorithms: 1) boosting models 2) (deep) neural network models 3) bayesian time series models. It is conducted in the form of interactive laboratories with the use of case studies which are carried out in parallel with the lecture part.

Chapter 1. Boosting models

1. AdaBoost

2. Gradient Boosting

3. eXtreme Gradient Boosting

4. Light Gradient Boosting Machine

5. CatBoost

Case study - cross sell banking/insurance product - propensity to buy models

Chapter 2. Neural network models

1. Multilayer Perceptrons

2. Recurrent Neural Network

3. Convolution Neural Network*

4. Attention mechanism in Neural Network

Case study 1 - forecasting the demand for products in large-format stores

Case study 2* - car damage classification in the insurance company

Chapter 3. Bayesian time series models

1. Facebook Prophet

2. Uber Orbit (as a framework)

Case study - forecasting the volume of parcels delivered by a logistics company

Chapter 4. Ensembling methods*

Project presentation

Literatura: (tylko po angielsku)

- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning. Springer, New York, NY

- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

- Chollet, F. (2017). Deep learning with Python. Manning Publications.

- Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep learning with PyTorch. Manning Publications.

- Intel (2018). Deep learning. Retrieved from https://www.intel.com/content/www/us/en/developer/learn/course-deep-learning.html

- Intel (2018). Time-Series Analysis. Retrieved from https://www.intel.com/content/www/us/en/developer/learn/course-time-series-analysis.html

Along with additional literature assigned to the case studies.

Efekty uczenia się: (tylko po angielsku)

After completing the course, the students will have structured and reliable knowledge on boosting models, neural networks, and Bayesian time series models. They will be able to apply them for both regression and classification problems. They will know the theoretical foundations of these algorithms, as well as have programming skills allowing them to deploy the models in practice, also in the cloud framework. They will also know how to interpret results and explain how they work to other non-technical people.

K_W01, K_U01, K_U02, K_U03, K_U04, K_U05, KS_01.

Metody i kryteria oceniania: (tylko po angielsku)

Preparing two machine learning projects were prepared in groups of at most 2 students - one for regression problem and one for classification. Each project should be prepared on a different dataset selected by the students - one reasonably small dataset and one large dataset - approved by the tutor (for example from https://www.kaggle.com). Students are to prepare a presentation and an extended report in a Python notebook, containing blocks of code that will allow the teacher to fully reproduce the applied analysis.

The following weights are used to determine the final grade:

20% - Presentation

80% - Extended report

The threshold to pass is equal to 60%.

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Szymon Lis, Michał Woźniak
Prowadzący grup: Szymon Lis, Michał Woźniak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2024/25" (jeszcze nie rozpoczęty)

Okres: 2024-10-01 - 2025-01-26
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Szymon Lis, Michał Woźniak
Prowadzący grup: Szymon Lis, Michał Woźniak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-7ba4b2847 (2024-06-12)