#ЦМФ #Подкаст R и Python | Эконометрика и Data Science | ММАЭ МГУ и семинар Финансовая эконометрика
Подкаст ЦМФ о data science в прогнозировании финансовой отчётности:
Ярослав Бологов, senior data scientist, преподаватель ЦМФ (и выпускник семинара «Финансовая эконометрика»)
0:22 Кафедра ММАЭ ЭФ МГУ
1:52 Как пришел к data science
2:25 “До нас доходили там некие слухи, что существуют нейтронные сети и машинное облучение, но никто толком не знал, что это такое“
2:42 “Andrew Ng - очень хороший человек, который даёт базовые понятия из машинного обучения, мягко погружает Вас в этот курс“
3:42 Эконометрика vs. data science
4:20 “Если мы какие-то чуваки, которые сидят в Центробанке и мы хотим построить модель для российской макроэкономики“
4:50 “Из недавних новостей: в московском метро собираются внедрять систему автоматических платежей, которая будет определять пассажиров по их лицам“
5:59 R vs. Python
6:31 “Сейчас я вообще рекомендую начинать сразу с Питона, потому что он ненамного тяжелее в освоении, чем R, но зато все или по крайней мере подавляющее большинство всех решений в области data science и машинного обучения сейчас делаются именно на Питоне“
6:51 Deloitte
8:12 Модель для предсказания отзыва банковских лицензий
9:51 “Даже показывали самим чувакам из Центробанка, которые сказали, что это очень интересно, что оказывается все их действия можно было бы предсказать“
10:10 “Знания по финансам не менее необходимы, чем знания по data science, а даже иногда превосходят их по значимости“
11:08 “Я ещё могу сказать, что это характерно не только для финансов, вообще, когда Вы строите какую-то модель машинного обучения, то как правило Вам нужно сначала погрузиться в ту область для которой эта модель будет применяться“
11:33 “В четвёрке большие возможности, чтобы перейти работать зарубеж“
12:04 “Я мог поехать в Мюнхен в фирму Porsche“
12:21 “Мог поехать в Дубай“
12:32 “И мог перейти в Сбербанк“
13:15 “Я решил перейти в Сбербанк, чтобы продолжить заниматься своим любимым делом“
13:24 Проект по прогнозированию финансовых показателей корпоративных заёмщиков
14:37 Какие методы используют
16:40 Прогноз отчетности vs. анализ качества отчетности
17:41 “К вопросу о том, насколько важно понимание финансов в моделях для финансовых показателей - достаточно важно“
18:12 О развитии отрасли прогнозирования финансовой отчетности
18:52 “То, чем мы занимаемся - это больше data driven подход, в котором мы большой упор делаем именно на поиск зависимости в отчётности методами анализа данных“
19:47 “Знания совершенствуются в основном в общении с другими людьми“
20:31 “Захожу на Kaggle“
21:10 “Эта профессия немного похожа на профессию таксиста“
21:42 Основные навыки data scientist’а
24:29 “Data science - это то направление, которое будет актуально ближайшие десятки лет“
25:36 Разработка vs. data science
25:50 “Специализация в одной какой-то конкретной области, если это, конечно, не data science, влечёт в себе риски того, что Ваша профессия будет вскоре автоматизирована“
26:11 “Тем ребятам, которые являются разработчиками я бы посоветовал посмотреть на предмет того, чтобы подготовить для себя некий запасной аэродром“
26:30 Долгосрочные планы
27:01 “Сначала семинар «Финансовая эконометрика» больше напоминал кружок по интересам, где каждый рассказывал что-то, что он недавно узнал, но со временем профессионализм участников рос, поднимались более серьёзные темы, появлялась некая системность, эти все рассказы объединялись в курсы и в результате у нас появилось несколько направлений «Количественная аналитика», «Анализ данных» и т.д.“
27:45 “Я старался объяснить, как можно более понятно, что именно скрывается за той или иной моделью“
28:30 “Самый большой плюс в преподавании - это прокачивает твои собственные навыки“
29:23 Как работает нетворк ЦМФ
30:50 “Мало кто хочет себе брать в команду каких-то людей со стороны, по объявлению на хедхантере и т.д., всегда хочется взять какого-то проверенного человека“
31:27 “В моей команде работает человек, который раньше ходил на мои лекции и ещё одна девушка работает в соседней“
32:00 “У удалённой работы есть свои достаточно серьёзные ограничения, например, очень трудно развиваться, когда ты сидишь отдельно от остальной команды, ведь зачастую развитие и происходит именно из-за того, что вы общаетесь друг с другом“
32:50 “Я бы посоветовал максимизировать своё присутствие на площадках, подобных ЦМФ“
Мини-курсы лекций Ярослава Бологова на ЦМФ:
- по финансовой эконометрике:
- по машинному обучению:
Регистрация на программы «Количественная аналитика», «Анализ данных» и «Web3: DeFi & NFT-разработка» ЦМФ:
#МГУ #ММАЭ #Kaggle #Andrew_Ng #Deloitte #машинное_обучение #эконометрика #МАШИННОЕ_ОБУЧЕНИЕ_В_ФИНАНСАХ
#Центр_математических_финансов #ЦМФ #Финансовая_эконометрика #Финансовая_математика #Количественные_финансы #Количественная_аналитика #Data_Science #Анализ_данных #1_уровень #2_уровень #проекты #УNVRSTY #YNVRSTY
8 views
3
0
11 months ago 01:58:21 5
#ЦМФ #Подкаст | Google | Межнар | МГУ | Yandex | Kaggle | Leetcode | Python | С++| Go | Трансформеры
2 years ago 00:05:54 32
#ЦМФ. Проект по написанию прайсера деривативов (подзадачи: интерполяция и биномиальная модель)
2 years ago 00:09:32 9
#ЦМФ. Проект по теории вероятностей, математической статистике и случайным процессам
2 years ago 00:04:33 33
#ЦМФ. #Алготрейдинг | Оптимизация портфеля криптовалют с использованием методов машинного обучения
2 years ago 00:09:23 6
#ЦМФ. Формирование инвестиционного портфеля методами машинного обучения и финансового анализа
2 years ago 00:05:21 8
#ЦМФ. Прогнозирование вероятности дефолта розничных заёмщиков методами машинного обучения