Hse project introduction_22012015

ПРОЕКТНЫЕ ЗАДАЧИЛИСЕНКОВ ИВАН

+7916878706

[email protected]

РАЗРАБОТКА ПРОГРАММЫ ДЛЯ СИНТАКСИЧЕСКОГО АНАЛИЗА ТЕКСТА

Что это за проект?

Программа поиска правил (нечетких высказываний) в естественном языке. Полученные Нечеткие высказывания, должны быть сопоставлены

с уже ранее найденными, в случае необходимости должны быть сохранены или обновлены нечеткие высказывания в базе знаний.

Программа должна анализировать входную текстовую информацию с целью поиска нечетких логических высказываний вида:

Если [не|очень|слегка…] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 1> есть <ТЕРМ 1> [и, или,] <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 2>

есть <ТЕРМ 2> ... тогда <ЛИНГВИСТИЧЕСКАЯ ПЕРЕМЕННАЯ 3> есть <ТЕРМ 3>

Чему вы научитесь?

• Основам теории нечеткой логики (Fuzzy Logic)

• Базовым подходам контекстного поиска и синтаксического разбора текста

• Работать с реляционными базами данных, проектировать модели хранения данных (физическую и логическую)

Какие будут использоваться технологии?

• C++ / Python в рамках прослушанного курса

• PostgresSQL

Темы вводных занятий

• Основы теории нечеткой логики (Нечеткие множества, Нечеткие и Лингвистические переменные, Контроллер на основе нечеткой логики)

• Синтаксический разбор естественного текста

• Работа с реляционными базам данных (проектирование модели хранения данных, написание SQL запросов)

Направления развития

• Использование программы для пополнения базы знаний нечеткими правилами, нечеткими и лингвистическими переменными

• Использование программы совместно с контроллером на основе нечеткой логики (Mamdani, Sugeno) для поддержки принятия решений

СЕРВИС СТАТИСТИЧЕСКОГО АНАЛИЗА ИСТОРИИ РЫНОЧНЫХ ЦЕН ФИНАНСОВЫХ АКТИВОВ


Индикативный статистический анализ для поиска эффективных инвестиций. Программа должна получать историю

финансовых котировок (из файлов или внешних источников) и рассчитывать следующие показатели для каждого из

активов:

•Расчет волатильности по методу GARCH

•Выбрав Benchmark index оценить линейную регрессию (Расчет показателя alfa и beta по заданному индикатору)

•Расчет соотношений для оценки эффективности финансовых продуктов (Treynor, Sharp, Alfa, Track Error ratios)


•Основы работы на глобальных финансовых рынках

•Проводить статистический анализ рыночных данных глобальных рынков


•C++ / Python в рамках прослушанного курса

•MOEX рыночные данные, Yahoo Finance, NASDAQ, NYMEX, CBOT, Google Finance


•Основы финансовой математики и финансовых рынков

•Статистическая обработка рыночной информации


•Расширение источников для получения данных

•Поиск наиболее привлекательных инвестиций на основе расчитанных статистических показателей

РАЗРАБОТКА ФУНКЦИИ/БИБЛИОТЕКИ ИНТЕРПОЛЯЦИИ КРИВОЙ, ПОСТРОЕННОЙ ПО АПРИОРНО ЗАДАННЫМ

ТОЧКАМЧто это за проект?

Разработка функции/библиотеки интерполяции кривой построенной по заданным точкам (загружаемым из файла).

Данная функциональность широко используется в финансовой математике. Например, для определения т.н. кривых

доходностей - yield curves (зависимость индикативной процентной ставки от срока инвестирования). Важное требование

для интерполяции - дифференцируемость функции на всем допустимом интервале. В связи с этим необходима

реализация, помимо линейной интерполяции, интерполяции с помощью квадратичных и кубических сплайнов.


Алгоритмы интерполяции. Численные методы.




• Современные методы интерполяции функций

• Факультативно: Основы финансовой математики и финансовых рынков


• Использование функции при оценке справедливой стоимости производных финансовых инструментов и

дисконтирования платежей

• Интеграция с внешними источниками данных (MOEX, Bloomberg, Thomson Reuters, Yahoo Finance)

• Расчет форвардных ставок на заданные тенора (Bootstraping метод)

РАЗРАБОТКА МОДЕЛИ ПЕРСЕПТРОНА РОЗЕНБЛАТТА


• Разработать приложение моделирующую классическую модель пересептрона Розенблатта с возможностью

установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма

обучения.


• Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта




• Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения

перспетрона Розенблатта)


• Визуализация обучающей выборки, предварительная обработка данных

• Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения

ошибки (Back-propagation algorithm, deep learning)

• Интеграция с реляционной базой данных

QUESTIONS&ANSWERSЛИСЕНКОВ ИВАН

+7916878706

[email protected]

Hse project introduction_22012015

Documents

Transcript of Hse project introduction_22012015