154-0571/01 – Aplikované kvantitativní finance v Pythonu (AQFP)
Garantující katedra | Katedra financí | Kredity | 5 |
Garant předmětu | doc. Ing. Aleš Kresta, Ph.D. | Garant verze předmětu | doc. Ing. Aleš Kresta, Ph.D. |
Úroveň studia | pregraduální nebo graduální | | |
| | Jazyk výuky | angličtina |
Rok zavedení | 2022/2023 | Rok zrušení | |
Určeno pro fakulty | EKF | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Studenti kurzu se naučí programovat v jazyce Python. Seznámí se s podmíněnými příkazy, funkcemi, cykly, základními datovými typy a strukturami. Pochopí principy práce s knihovnami, balíčky a třídami. Budou umět pracovat s vědeckými balíčky, jako jsou NumPy a Pandas.
Absolventi kurzu budou mít následující dovednosti a kompetence. V jazyce Python budou schopni vypočítat riziko a výnos jednotlivých cenných papírů a portfolií, vypočítat investiční portfolia, zpětně testovat strategie investičních portfolií, vytvářet a zpětně testovat algoritmické obchodní strategie, provádět simulace Monte Carlo, oceňovat opce a vypočítat parametry citlivosti (tzv. Greeks) a implikovanou volatilitu.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Cílem kurzu je rozšířit schopnost studentů formulovat, řešit a následně interpretovat praktické problémy v oblasti kvantitativních financí s využitím programovacího jazyka Python. Pozornost je věnována zejména praktickým aplikacím jednotlivých modelů a přístupů, u kterých se předpokládá alespoň základní orientace a teoretická znalost.
Povinná literatura:
Doporučená literatura:
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Vypracování a obhajoba projektu. Pro studenty s ISP platí stejné požadavky.
E-learning
Další požadavky na studenta
žádné další požadavky
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
1) Úvod do jazyka to Python: základní koncepty a syntaxe, základní datové typy a práce s proměnnými, řídicí struktury
2) Strukturované datové typy (datové struktury), zkrácená syntaxe pro efektivnější práci s řídicími strukturami
3) Základní principy organizace softwarového projektu, využití v prostředí Python programu: funkce a třídy, oblast platnosti a viditelnost proměnných, práce s knihovnami a balíčky
4) Knihovny NumPy and Pandas pro datovou vědu: základní principy, vybrané případy
5) Vstupní a výstupní operace
6) Práce s finančními časovými řadami v Pythonu, výpočet základních statistik a vizualizace
7) Stochastika: generování náhodných čísel, simulace stochastických procesů
8) Problém optimalizace portfolia, měření výkonnosti portfolia, zpětné testování investičních strategií
9) Technická analýza a algoritmické obchodování, zpětné testování obchodních strategií
10) Řízení rizika: míry rizika, odhad rizika a jeho zpětné testování
11) Oceňování derivátů, kalkulace měr citlivosti (tzv. Greeks) a implikované volatility
12) Obhajoba projektů
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky