Финансовая математика и финансовые технологии

Программа имеет актуальную направленность и ориентирована на подготовку высококвалифицированных экспертов для академии и индустрии по направлениям финансовой математики и финансовых технологий с использованием накопленного научного и прикладного опыта, обеспечивая тем самым кадровый и технологический суверенитет России.

Проектная деятельность, в том числе в рамках выполнения задач, поставленных компаниями-партнерами, является основным содержанием программы. Неотъемлемой частью обучения в магистратуре будут стажировки, в том числе с последующим трудоустройством в компаниях-партнерах. 

В результате освоения программы магистратуры у выпускника будут сформированы компетенции в области финансовой математики и/или финансовых технологий, а также смежных с ними областях прикладной математики и компьютерных наук, с последующей специализацией в инвестиционно-банковской деятельности в области рынков финансового капитала, производных финансовых инструментов; управления финансовыми активами; алгоритмической торговли на финансовых рынках, биржевой, брокерской и страховой деятельности; создания и интеграции финансово-экономических процессов на основе цифровых финансовых активов или академических математических финансов. Это позволит выпускникам программы быть востребованными специалистами в ведущих финансовых институциях и специализированных академических центрах.

Перечень предлагаемых тематик магистерских диссертаций:

• Алгоритмические стратегии торговли волатильностью

Проводятся исследования микроструктуры рынка и разрабатывается оригинальная стратегия, которая позволяет автоматически определять позиции в биржевом стакане и извлекать дополнительную прибыль по сравнению с рыночными заявками. Работоспособность стратегии апробируется на криптовалютной бирже Deribit. Для дальнейшей промышленной эксплуатации предложенной стратегии можно использовать ликвидные площадки с более умеренными комиссиями, например, Eurex, CBOE.

• Применение методов машинного обучения для статистического арбитража

Работа посвящена применению методов машинного обучения для построения алгоритмических торговых стратегий. В работе рассматриваются стратегии, которые совершают одну сделку в день на пространстве из сотен и даже тысяч активов фондового рынка.

• Исследование волатильности группы активов

Работа посвящена сравнению моделей волатильности (ковариационных матриц) для групп финансовых активов. Рассматриваются стандартная выборочная ковариационная матрица, экспоненциально усредненная ковариационная матрица, а также более сложные модели на основе обобщенной авторегрессионной модели гетероскедастичности. Для сравнения рассмотренных моделей строятся инвестиционные портфели с использованием подхода Марковица.

• Построение алгоритмических торговых стратегий с использованием обучения без учителя

В работе рассматриваются новые алгоритмические торговые стратегии с помощью методов кластеризации машинного обучения и графовых моделей на пространстве из тысяч активов. Полученные стратегии могут быть рекомендованы к промышленной эксплуатации для торговли на фондовых рынках.

• Построение торговых стратегий на основе волатильности акций

Работа посвящена получению новых и усилению известных алгоритмических стратегий. Анализируются стратегии, торгующие один раз в день на протяжении нескольких лет и использующие несколько тысяч активов фондового рынка.

• Построение портфелей из алгоритмических торговых стратегий

Реализуется более десятка алгоритмических торговых стратегий из открытых источников. По этим стратегиям строятся различные портфели: равновесный, по эвристикам, оптимизационные типа Марковица и назначения рисков, функциональные и идеальные. Результаты исследований можно использовать для прогноза результативности портфелей на небольшом количестве стратегий.

• Использование методов глубокого обучения для составления оптимального портфеля из набора факторных стратегий

Работа посвящена разработке десятка алгоритмических стратегий и характеристических портфелей, извлечению из них прогноза доходности базового актива и сборки портфеля на основе специализированной нейронной сети, условного автоенкодера, который позволяет объединить информацию о прогнозе с информацией о текущем состоянии рынка. Для сравнения могут использоваться равновзвешенный портфель и портфель Марковица.

• Извлечение настроения инвесторов с помощью нейронных сетей и разработка торговых стратегий

В работе используются текстовые данные из социальной сети Twitter для разработки алгоритмической стратегии, работающей на настроениях пользователей. Для извлечения настроений используются современные нейронные сети: Siebert и FinBERT, проводятся сравнение с несколькими бенчмарками и оптимизация параметров моделей. По результатам работы можно сделать вывод что в исходных данных есть информация, которую можно успешно использовать при формировании инвестиционных портфелей.

• Разработка стратегий инвестирования с использованием графовой нейронной сети

Работа посвящена использованию данных о микроструктуре рынка для прогнозирования движения актива. В работе используются современные графовые нейронные сети, которые позволяют учитывать зависимости между активами. Результатом работы является алгоритмическая стратегия, которая может быть использована как часть большего портфеля для управления инвестициями.

• Портфельная оптимизация с использованием графовых нейронных сетей

Работа посвящена разработке десятка алгоритмических стратегий и их последующей оптимальной сборке в оптимальный портфель. Сборка проводится с использованием графовых нейронных сетей, которые позволяют учитывать взаимозависимости между стратегиями. По результатам работы, можно сделать вывод о преимуществах такого типа сборки портфеля перед Марковичем и равновзвешенным портфелем.

• Применение обучения с подкреплением для оценки стоимости опционов

Работа посвящена оценке стоимости опциона путем сборки реплицирующего портфеля из опциона и базового актива. Для построения портфеля используется динамическая оптимизация на основе обучения с подкрепления. Метод позволяет оценивать стоимость опционов непосредственно из рыночных данных, не прибегая к традиционным методам стохастического анализа. Особенность метода состоит в том, что в качестве входов для оценки можно подавать любые экзогенные переменные, в том числе параметры микроструктуры рынка, что позволяет строить зависимости стоимость опциона от различных параметров, не входящих в традиционные модели.