Количественный финансовый аналитик [2022] [МФТИ] [Александр Нозик, Ролан Гринис, Владимир Пальмин, Константин Тихонов, Михаил Зеленый]

Количественный финансовый аналитик [2022] МФТИ (ФПМИ МФТИ Физтех-школа прикладной математики и информатики) Александр Нозик, Ролан Гринис, Владимир Пальмин, Константин Тихонов, Михаил Зеленый Программа профессиональной переподготовки. Инфестиционные компании, банки, финансовые институты сложно представить без количественного анализа. Быть количественным финансовым аналитиком – это значит применять научные методы при изучении финансовых рынков. Программа будет интересна математикам, физикам, программистам, специалистам с техническим образованием. Всем, кто готов совершенствовать знания и построить карьеру в финансовом секторе. Вас ждут сложные задачи, интенсивная самостоятельная работа. Возможность общаться со студентами и преподавателями занимающими топовые позиции в крупных IT-компаниях. Выбрав профессию, вы присоединяетесь к группе и проходите программу профессиональной переподготовки вместе с основной магистратурой. Блок 1 - Курс Вычислительные финансы - 1 семестр Модуль 1 - Основы моделирования и стохастические процессы Стохастические процессы Моделирование финансовых рынков Принцип отсутствия арбитража Стохастические дифференциальные уравнения Процессы диффузии Формула Ито Теорема Гирсанова Модуль 2 - Риск-нейтральная валюация Риск-нейтральная мера Изменение деноминации Геометрическое броуновское движение Модель Блэка-Шоулза-Мертона Аналитические методы для европейских опционов Уравнение Блэка-Шоулза Модуль 3 - Модели с стохастической волатильностью Кривая волатильности Модель SABR Метод сингулярной пертурбации Модель Хестона Методы Фурье Калибровка поверхности волатильности с алгоритмом LM Модуль 4 - Монте-Карло симуляции Точная симуляция Андерсена для динамики Хестона Монте-Карло симуляции для экзотических опционов Алгоритм LSM для Американских и Бермудских опционов Дифференцированное программирование и сопряженные методы ​ Блок 1 - Курс Вычислительные финансы - 2 семестр Модуль 5 - Моделирование производных по процентным ставкам Моделирование финансовых инструментов по процентным ставкам (облигации, кривая доходности, плавучии ставки, форвардный курс, свопы, свопционы, отзывные свопы) Модели краткосрочных ставок и конструкция HJM, Стохастическая модель LMM Модуль 6 - Корректировки валюации от риска дефолта контрагента Облигации с дефолтным купоном Много-кривая доходности Кредитные дефолтные свопы Калибровка вероятности дефолта Кредитный риск по контрагенту Кредитные корректировки валюации финансовых производных (CVA) Модуль 7 - Калибровка, расчет риска, корректировки валюации - примеры Гибридная модель Хестона для Европейских и Бермудских опционов Кросс-валютная модель с краткосрочными ставками и с кривой по ставкам ​ Блок 2 - Курс Вычислительные методы - 1 семестр Векторные и матричные нормы. Унитарные матрицы. SVD разложение. Проекторы. Задача о наименьших квадратах. QR факторизация. Вычисления с плавающей точкой. Вычислительная устойчивость. Матричный ранг. Приближение низкого ранга и приложения SVD. Системы линейных уравнений. Число обусловленности. Собственные вектора и собственные значения. Методы решения симметричной задачи на собственные значения. Разреженные матрицы. Библиотеки numpy и scipy. Итеративные методы линейной алгебры. Решение систем нелинейных уравнений. Введение в методы оптимизации Блок 2 - Курс Вычислительные методы - 2 семестр Численное интегрирование и дифференцирование. Методы интерполяции. Решение линейных интегральных уравнений. Основные численные методы решения обыкновенных дифференциальных уравнений и уравнений в частных производных. Введение в методы Монте-Карло. Методы сэмплирования. Марковские цепи Монте-Марло. Алгоритм Метрополиса — Гастингса. Сэмплирование по Гиббсу. Гамильтонов Монте-Карло. Модели пространства состояний. Линейные динамические системы. Фильтр Калмана. Блок 3 - Курс Статистические методы и анализ данных - 1 семестр Модуль 1 - Теория принятия статистических решений. Решения в детерминированных задачах. Решения в недетерминированных задачах, функция риска. Условная вероятность, стратегии принятия решений. Модуль 2 - Основные понятия теории вероятности. Определения вероятности. Функция правдоподобия. Точечные и интервальные оценки параметров распределений. Доверительные интервалы. Модуль 3 - Погрешности в физическом эксперименте. Статистические и систематические погрешности. Свойства распределений при замене переменных. Сложение погрешностей. Сложение результатов различных экспериментов. Модуль 4 - Свойства распределений. Биномиальное распределение и распределение Пуассона. Нормальное распределение и его свойства. Средние значения, моменты распределений. Модуль 5 - Проверка статистических гипотез. Функции случайных переменных. Статистические критерии и их свойства. Методики построения критериев. Критерии согласия данных с теорией. Модуль 6 - Оценка параметров. Параметрические критерии. Метод максимума правдоподобия и хи-квадрат. Использование функции правдоподобия для построения интервальных оценок. Интервальные оценки в случае нормального распределения. Модуль 7 - Современные методы анализа данных (дополнительно). Фитирование экспериментальных кривых. Критерии качества фита. Компьютерные методы решения задач оптимизации. Многопараметрический анализ. Анализ корреляций. Информация Фишера и ее применение. Максимальная информация и граница Рао — Крамера. Два подхода к вероятности: частотный подход и субъективная вероятность. Проблема уникальных событий. Использование компьютера для анализа данных эксперимента. ​ Блок 3 - Курс Статистические методы и анализ данных - 2 семестр Модуль посвящён работе над проектом. Примеры тем проектов: Байесовское глубокое обучение Информация Фишера и активное обучение Машинное обучение на Котлине, KotlinDL Глубокое обучение в кино Байесовская оптимизация MCMC на Джулии ​