Data Science Applied to Finances

Credits
3
Types
Optional
Requirements
This subject has not requirements , but it has got previous capacities
Department
CS
Web
Atenea
Los temas de estudio del curso van desde el aprendizaje automático, las finanzas matemáticas, los métodos numéricos y los algoritmos. Los objetivos principales son dos: 1) Adquirir conocimientos sobre los mercados financieros, su funcionamiento y productos, y en general comprender el comportamiento de las series temporales financieras, sus propiedades estadísticas. 2) Aprender a diseñar y evaluar adecuadamente modelos de previsión financiera y estrategias de inversión basados ¿¿en modelos de aprendizaje supervisado u otros modelos que utilicen distintos tipos de conjuntos de información (cuantitativos y cualitativos).

Teachers

Person in charge

  • Argimiro Arratia Quesada (argimiro@cs.upc.edu)

Weekly hours

Theory
2
Problems
0
Laboratory
0
Guided learning
0
Autonomous learning
3.77

Objectives

  1. Aprender a diseñar y evaluar adecuadamente modelos de predicción financiera y estrategias de inversión basados en modelos de aprendizaje supervisado u otros modelos que utilicen distintos tipos de conjuntos de información (cuantitativa y cualitativa).
    Related competences:
  2. Adquirir conocimientos sobre los mercados financieros, su funcionamiento y sus productos y, en general, comprender el comportamiento de las series temporales financieras y sus propiedades estadísticas.
    Related competences:

Contents

  1. An abridged introduction to finance and ML
    Securities (bonds, stocks,derivatives); price and payoff; market indices; market jargon; financial markets zoo. Pricing basic financial contracts. Essential aspects of data exploration and learning. A review of software in Python for finance and ML.
  2. Statistics of Financial Time Series
    Descriptive statistics of financial time series. Returns. Stylized facts of financial returns. Forecasting (formal definition). Volatility.
  3. Time series model adequacy methods.
    Time series model adequacy. Causality. Independence. Correlation. The stationary bootstrap (for synthetic replication of time series). Feature selection through LASSO. (These are all useful techniques to select features for our time series forecasting models)
  4. Financial time series models I
    Financial Time Series Models. Econometric models: (linear) AutoRegressive Moving Averages models; (nonlinear) ARCH and GARCH. ML models: Feed forward (1-layer) Neural Networks (Nnet).
    An introduction to Financial Fundamental Analysis (Graham and Dobb theory of investment)
    Forecasting time series with Nnet and business fundamental indicators.
  5. Financial time series models II
    ML models II: LSTM, Gaussian processes (GP).
    Forecasting financial time series with GP, Nnet, LSTM, with alternative data (e.g. News-based sentiment indicators). For this we shall review Sentiment Analysis and financial applications.
  6. Algorithmic trading. Portfolio theory I
    Algorithmic trading.
    Portfolio optimization. Markowitz mean-variance model.
  7. Portfolio theory II.
    Factor models of returns with alternative data. Robust portfolio optimization. The Machine Learning portfolio
  8. Optimization Heuristics in Finance
    Heuristic optimization. Simulated Annealing (SA). Genetic Programming (GenP).
    Applications: Calibrating GARCH models. Optimization of portfolios with computationally hard constraints (with SA).
  9. Option pricing models I.
    Options. Type of options (European, American, Asian and other). The Black-Scholes Formula for Valuing European Options (a brief review). Monte-Carlo valuation of options I.
  10. Option pricing models II. Research directions.
    Monte Carlo valuation of options II. Valuing options with Gaussian processes and other ML models. Other heuristics for valuing options. Review of further research topics in Machine Learning for Finance.

Activities

Activity Evaluation act



Teaching methodology

Las clases combinan teoría y práctica (se proporcionarán guiones de Python, y de manera addicional de R, para la exploración de modelos de series temporales y otros ejemplos). Se requiere asistencia a clase y la entrega de las tareas.

Evaluation methodology

No habrá examen escrito. La evaluación consistirá en dos trabajos para realizar en casa, que incluirán exploraciones en Python y ejercicios para complementar la teoría.

Bibliography

Basic

Previous capacities

Fundamentos de aprendizaje automático y ciencia de datos. Conocimientos básicos de modelos de aprendizaje automático, como redes neuronales y máquinas de vectores de soporte. Estadística básica. Conocimientos de Python (preferible) o R.