Системная архитектура и управление проектами

Краткое содержание учебной дисциплины, модуля / Brief summary

Модельно-ориентированная инженерия на примере хеджфондов. Разработка и валидация моделей, обзор основных подходов количественного моделирования, работы с неопределенностью, взаимодействие организационных и инструментальных механизмов на примере работы хеджфондов, классификация инвестиционных фондов и используемых математических моделей. Основы тестирования моделей. Популярные типы временных преимуществ на конкурентных инвестиционных рынках. Основные типы участников фондовых и товарных рынков. Методы измерения качества и устойчивости инвестиционных фондов. Расчеты NAV, Sharpe, Deflated Sharpe, Sortino, Information Ratio, Calmar, Alpha, Beta, Max Drawdown. Основные источники данных и способы обработки в рамках финансового моделирования. Объединение и обогащение источников данных. Использование больших языковых моделей и прикладных вычислителей над моделями предметной области. Основные финансовые инструменты и понятия.

Предварительная обработка данных. Методы предварительной обработки и нормализации финансовых данных: Dollar Value Bars, нормирование на ликвидность и инфляцию, Z-score нормализация, группировка по частотности, удаление дубликатов и выбросов. Линейные и нелинейные фильтры данных: фильтр Калмана, фильтр Кушнера. Дробное дифференцирование для обработки временных последовательностей.

Факторный анализ данных и поиск факторов. Факторный анализ, значимость факторов, причинно-следственное изучение факторов. Стандартизация факторов. Анализ главных функциональных компонентов для финансовых данных. Обучение с подкреплением в инвестиционных стратегиях для факторного инвестирования и ротации факторов.

Анализ временных рядов и портфельное управление. Прогнозирование с помощью VAR, ARIMA, GARCH. Обнаружение выбросов с использованием 1-SVM, COPOD, Prophet. Потоковое обнаружение аномалий. Использование VPIN выявления присутствия информированной стороны из потока ордеров. Модели ценообразования опционов. Понятие и структура волатильности, использование опционов как механизма хеджирования. «Улыбка» волатильности. Учет рисков с помощью VaR и CVAR. Прогнозирование цунами волатильности. Оптимизация инвестиционного портфеля. Портфели следования за трендом, портфели с возвратом к среднему значению, разреженные инвестиционные портфели, оптимизация портфеля с помощью метода Hierarchical Risk Parity, динамическое дельта-хеджирование. Тестирование портфеля на разных режимах рынка. Трех барьерная и метамаркировка данных. Определение размера сделок.

Принятие решений в условии неопределенности. Системные диаграммы влияния, обратные связи, корневой локус, критерии устойчивости. Модели вероятностных рассуждений. Использование метода Монте-Карло по схеме цепей Маркова (МСМС). Микроструктура рынка. Конформное прогнозирование при сдвиге распределения. Динамическая корректировка портфеля с трением.

Моделирование финансовых кризисов и смены режимов рынков. Анализ временных рядов для процессов с тяжелыми хвостами, моделирование экстремальных событий, прогнозирование потерь банка, мультимодальный условный вариационный автоматический энкодер, NARX, DA-RNN, индуктивное трансферное обучение. Диффузионные процессы, взаимовозбуждающие процессы со скачками, модель марковского переключения изменяющимися во времени вероятностями перехода. Структурные разрывы и анализ точек изменений режима на временных рядах. Сетевой анализ и макроэкономическое распространение шоков.

Model-Based Engineering: The Case of Hedge Funds. Model development and validation, an overview of key quantitative modeling approaches, working with uncertainty, the interaction of organizational and instrumental mechanisms using hedge fund operations as an example, and a classification of investment funds and the mathematical models used. Fundamentals of model testing. Common types of temporary advantages in competitive investment markets. Key types of participants in stock and commodity markets. Methods for measuring the quality and sustainability of investment funds. Calculations of NAV, Sharpe, Deflated Sharpe, Sortino, Information Ratio, Calmar, Alpha, Beta, and Max Drawdown. Key data sources and processing methods within financial modeling. Combining and enriching data sources. Using large language models and application-specific computations on domain-specific models. Key financial instruments and concepts.

Data preprocessing. Financial data preprocessing and normalization methods: Dollar Value Bars, liquidity and inflation normalization, Z-score normalization, frequency grouping, and duplicate and outlier removal. Linear and nonlinear data filters: Kalman filter, Kushner filter. Fractional differentiation for time series processing.

Factor analysis of data and factor search. Factor analysis, factor significance, causal factor analysis. Factor standardization. Principal component analysis for financial data. Reinforcement learning in investment strategies for factor investing and factor rotation.

Time series analysis and portfolio management. Forecasting using VAR, ARIMA, and GARCH. Outlier detection using 1-SVM, COPOD, and Prophet. Streaming anomaly detection. Using VPIN to detect the presence of an informed party from order flow. Option pricing models. The concept and structure of volatility, and the use of options as a hedging mechanism. The volatility «smile». Risk accounting using VaR and CVAR. Volatility tsunami forecasting. Investment portfolio optimization. Trend-following portfolios, mean-reverting portfolios, sparse investment portfolios, portfolio optimization using the Hierarchical Risk Parity method, dynamic delta hedging. Portfolio testing under different market conditions. Three-barrier and meta-labeling data. Trade sizing.

Decision making under uncertainty. System influence diagrams, feedback loops, root locus, stability criteria. Probabilistic reasoning models. Using Markov Chain Monte Carlo (MCMC) simulations. Market microstructure. Conformal forecasting under distribution shifts. Dynamic portfolio adjustment with friction.

Modeling financial crises and market regime shifts. Time series analysis for heavy-tailed processes, extreme event modeling, bank loss forecasting, multimodal conditional variational automatic encoder, NARX, DA-RNN, inductive transfer learning. Diffusion processes, mutually excitatory processes with jumps, Markov switching model with time-varying transition probabilities. Structural breaks and regime change point analysis in time series. Network analysis and macroeconomic shock propagation.

Формируемые компетенции / The formed competences

Cпециализированные компетенции:

Осуществлять анализ контекста и поставленной проблемы, аргументированно выбирать оптимальный способ ее решения, согласовать частичные проекты решения в общую согласованную архитектуру, выполнять реализацию проекта с учетом оценки накопленных и поступающих данных.

Specialized competencies:

Analyze the context and the problem, reasonably select the optimal solution, coordinate partial solution designs into a coherent overall architecture, and implement the project based on the assessment of accumulated and incoming data.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

В результате освоения учебной дисциплины студент должен:

знать:

– основные этапы и методологии ведения бизнес-проектов;

– современные практики по проектированию и поддержке операционной деятельности предприятий;

– особенности использования модельно-ориентированных архитектур для прогнозирования на примере работы хедж-фондов;

уметь:

– проектировать бизнес и прикладную архитектуру предприятий с учетом конкурентной среды;

– выбирать математические модели и алгоритмы для целей количественного прогнозирования, в том числе с учетом управления рисками в условиях неопределенности;

иметь навык:

— декомпозиции задач на системную архитектуру, включая бизнес, прикладную, техническую и математическую составляющие.

Upon completion of this course, students should:

know:

— The main stages and methodologies of running business projects;

— Modern practices for designing and supporting enterprise operations;

— The specifics of using model-based architectures for forecasting, using hedge fund operations as an example;

can:

— Design business and applied enterprise architectures, taking into account the competitive environment;

— Select mathematical models and algorithms for quantitative forecasting, including those taking into account risk management under uncertainty;

have the skill:

— Decompose problems into system architecture, including business, applied, technical, and mathematical components

Семестр изучения учебной дисциплины, модуля / Semester of study

6

6

Пререквизиты / Prerequisites

– Основы облачных технологий

– Анализ данных и основы машинного обучения

– Cloud Technology Basics

– Data Analysis and Machine Learning Basics

Трудоемкость в зачетных единицах (кредитах) / Credit units

3 зачетные единицы.

3 credit units.

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, 

hours of self-directed learning

Всего 102 часов, из них 68 аудиторных часов и 34 часов самостоятельной работы.

A total of 102 hours, of which 68 academic hours of students’ class work and 34 hours of self-directed learning.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

Опрос, отчет по лабораторной работе, контрольная работа.

Зачет.

Survey, report on laboratory work, test.

Test.