School of Finance

Regular version of the site

The HSE School of Finance is the leading Russian competence center in the field of corporate finance, business valuation, banking, stock market, risk management and insurance, accounting and audit.

HSE is the first Russian university in the global ranking "QS - World University Rankings by subject", 2022 in the subject area of Accounting and Finance. Moreover, the university is the 1-st in the rating "THE World University Rankings by subject" in the subject area of Business & Management Studies, 2022

Publications

Article

Investment in ESG Projects and Corporate Performance of Multinational Companies

Cherkasova V. A., Nenuzhenko I.

Journal of Economic Integration. 2022. Vol. 37. No. 1. P. 54-92.

Article

Bankruptcy factors at different stages of the lifecycle for Russian companies

Zelenkov Y., Fedorova E.

Electronic Journal of Applied Statistical Analysis. 2022. Vol. 15. No. 1. P. 187-210.

Working paper

Do Non-Interest Income Activities Matter For Banking Sector Efficiency? A Net Interest Margin Perspective

Kolade S. A., Semenova M.

Financial Economics. FE. Высшая школа экономики, 2022. No. WP BRP 87/FE/2022.

Article

Φ- и Ψ-преобразования, повышающие дискриминирующую силу немонотонных переменных скоринговой модели

Помазанов М. В.

Управление финансовыми рисками. 2022. Т. 70. № 2. С. 108-120.

Book chapter

Validation of the effectiveness of the bank retail portfolio risk management procedure

Pomazanov M. V.

In bk.: The 8th International Conference on Information Technology and Quantitative Management (ITQM 2020 & 2021): Developing Global Digital Economy after COVID-19. Vol. 199: The 8th International Conference on Information Technology and Quantitative Management (ITQM 2020 & 2021): Developing Global Digital Economy after COVID-19. Manchester: Elsevier, 2022. P. 798-805.

Article

CEO Power and Risk-taking: Intermediate Role of Personality Traits

Korablev D., Poduhovich D.

Journal of Corporate Finance Research. 2022. Vol. 16. No. 1. P. 136-145.

Article

Economic Growth Models and FDI in the CIS Countries During the Period of Digitalization

Olkhovik V., Lyutova O. I., Juchnevicius E.

Financial journal. 2022. Vol. 14. No. 2. P. 73-90.

Article

Special issue with the 2019 Future Directions in Accounting and Finance Education Conference, Moscow, Russia

Churyk N. T., Anna Vysotskaya, Kolk B. v.

Journal of Accounting Education. 2022. Vol. 58.

Book

Цифровая трансформация: ожидания и реальность: доклад к XXIII Ясинской (Апрельской) международной научной конференции по проблемам развития экономики и общества

Абдрахманова Г. И., Васильковский С. А., Вишневский К. О. и др.

М.: Издательский дом ГУ-ВШЭ, 2022.

Book

Тенденции развития интернета: от цифровых возможностей к цифровой реальности

Абдрахманова Г. И., Васильковский С. А., Вишневский К. О. и др.

М.: Национальный исследовательский университет "Высшая школа экономики", 2022.

Article

Разработка рейтинга проектных рисков для телекоммуникационной компании

Гришунин С. В., Сулоева С. Б., Пищалкина И. И.

Организатор производства. 2022. Т. 30. № 1. С. 60-72.

Article

Разработка механизма гибкого управления рисками в сфере телекоммуникаций

Гришунин С. В., Сулоева С. Б., Пищалкина И. И.

Экономический анализ: теория и практика. 2022. Т. 21. № 3. С. 478-496.

Article

Development of the horizon index to evaluate long-termism of Russian non-financial companies

S. Grishunin, E. Naumova, N. Lukshina et al.

Russian Management Journal. 2021. Vol. 19. No. 4. P. 475-493.

Article

Comparative Analysis of the Predictive Power of Machine Learning Models for Forecasting the Credit Ratings of Machine-Building Companies

Grishunin S., Egorova A.

Journal of Corporate Finance Research. 2022. Vol. 16. No. 1. P. 99-112.

Book chapter

Analysing the Determinants of Insolvency and Developing the Rating System for Russian Insurance Companies

Grishunin S., Bukreeva Alesya, Alyona A.

Book

International Conference “Future Directions in Accounting and Finance Education”, 27-28 May 2019, Moscow, Russia

Edited by: А. Б. Высотская, B. v. Kolk.

Vol. 58. Elsevier, 2022.

Article

Prudential policies and systemic risk: The role of interconnections

Karamysheva M., Seregina E.

Journal of International Money and Finance. 2022. Vol. 127.

Article

How do fiscal adjustments work? An empirical investigation
In press

Karamysheva M.

Journal of Economic Dynamics and Control. 2022. Vol. 137.

Article

Do we reject restrictions identifying fiscal shocks? identification based on non-Gaussian innovations

Karamysheva M., Skrobotov A.

Journal of Economic Dynamics and Control. 2022. Vol. 138.

Article

ЛАТИНОАМЕРИКАНСКАЯ ТЕОЛОГИЯ ОСВОБОЖДЕНИЯ: ЭКОНОМИЧЕСКИЕ ПРЕДПОСЫЛКИ, СОСТОЯНИЕ, ОПЫТ ПРАВОСЛАВНОЙ РЕФЛЕКСИИ

Тихомиров Д. В.

Известия Санкт-Петербургского государственного экономического университета. 2022. № 4. С. 144-155.

Article

Контрциклическое финансирование как инструмент стимулирования инвестиционной активности (специфические варианты структурирования)

Тихомиров Д. В., Цехомский Н. В.

Экономика и управление. 2022. Т. 28. № 1. С. 16-24.

Article

Проблема эндогенности в корпоративных финансах: теория и практика

Селезнёва З. В., Евдокимова М. С.

Финансы: теория и практика. 2022. Т. 26. № 3. С. 64-84.

Book chapter

Students’ Survey: Propensity to Innovate

Evdokimova M., Stepanova A. N.

In bk.: 38th EBES Conference - Program and Abstract Book. Istanbul: EBES, 2022. P. 39.

Article

Prove them wrong: Do professional athletes perform better when facing their former clubs?

Assanskiy A., Shaposhnikov D., Tylkin I. et al.

Journal of Behavioral and Experimental Economics. 2022. Vol. 98.

Article

Black-Litterman model with copula-based views in mean-CVaR portfolio optimization framework with weight constraints

Teplova T., Mikova E., Munir Q. et al.

Economic Change and Restructuring. 2023. Vol. 56. No. 1. P. 515-535.

Article

Институциональные инвесторы, инвестиционный горизонт и корпоративное управление

Повх К. С., Кокорева М. С., Степанова А. Н.

Экономический журнал Высшей школы экономики. 2022. Т. 26. № 1. С. 9-36.

Article

Credit scoring methods: latest trends and points to consider

Anton Markov, Zinaida Seleznyova, Victor Lapshin.

Journal of Finance and Data Science. 2022. Vol. 8. P. 180-201.

All publications

Delivered by:: School of Finance

Type:: Bridging course

When:: 1 year, 1, 2 module

Instructors

Garashchuk, Gleb

Kurbangaleev, Marat Z.

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Цель курса - развитие навыков использования информационных технологий, необходимых современному финансисту. В рамках курса студенты научатся программированию на Python, R и SQL, познакомятся с коллаборационными информационными системами (github, сервисы для управления проектами), а также приложат полученные навыки к проектам в финансовой сфере. Первый модуль реализуется в формате blended learning, сочетая линейки online-курсов по языкам программирования и очные консультации с отработкой ключевых проблем и полезных приемов. Второй модуль закрепляет навыки программирования на реальных финансовых задачах по двум трекам: алгоритмическая торговля и управление риском. Курс уделяет особое внимание понятности и воспроизводимости разработанных продуктов, поэтому peer-review является центральным элементом в оценивании образовательных результатов. Информацию об онлайн-курсах и рекомендации по их изучению см. в полной версии программы в разделах: 1. Профессиональные базы данных, информационные справочные системы, интернет-ресурсы (электронные образовательные ресурсы) 2. Дополнительная информация

Цель освоения дисциплины

Целью освоения дисциплины «IT для финансистов» является освоение студентами практической Data Science (науки о данных), то есть современных информационных технологий для извлечения, преобразования и анализа финансовых и экономических данных.

Планируемые результаты обучения

Студент умеет тестировать торговые стратегии графически и аналитически
Студент составляет понятную сопроводительную документацию к результатам backtesting
Студент умеет автоматически находить и исправлять типичные ошибки в данных
Студент составляет понятную сопроводительную документацию к алгоритму
Студент умеет автоматически формировать отчеты о результатах торговой стратегии
Студент презентует результаты работы торговой стратегии для широкой публики
знать природу первичных данных в задачах измерения финансовых рисков
уметь пользоваться свободно распространяемыми СУБД: создавать, модифицировать и связывать таблицы в БД с учетом природы данных и их дальнейшего использования
составлять SQL запросы
управлять БД с помощью Python по API
Студент умеет разрабатывать алгоритмы торговых стратегий
Студент понимает принципы исполнения торговых стратегий на финансовом рынке
Студент умеет автоматически управлять риском торговой стратегии
Студент умеет критически оценивать качество алгоритма, веделять его сильные и слабые стороны, и предлагать возможные улучшения его работы
Студент владеет языком программирования R/Python в достаточном для освоения второго модуля объеме
Студент владеет языком баз данных SQL в достаточном для освоения второго модуля объеме.
исследовать структуру финансовых данных в различных задачах анализа риска
уметь выявлять пропуски/ошибки/смену формата данных, осуществлять фильтрацию/корректировку данных
осуществлять группировку и агрегирование данных
вычислять релевантные задаче оценки риска показатели с учетом особенностей структуры и качества используемых данных; создавать соответствующие функции
полно, последовательно и емко документировать требования к структуре/форматам данных, порядку создания и обращения к БД в конкретных задачах
описывать структуру данных и их особенности, документировать содержание соответствующих процедур анализа
оформлять ввод пользовательских параметров в создаваемых процедурах на Python
экспортировать результаты расчетов в файловую систему в требуемых форматах
автоматизировать составление аналитического отчета по результатам вычислений
применять инструменты библиотеки matplotlib для визуализации данных и результатов вычислений
применять на практике специфический графических инструментарий анализа финансовых рисков
оценить качество сопроводительной документации к программному инструменту
оценить соответствие функционала требованиям технического задания
находить и локализовать ошибки в работе программ
документировать результаты тестирования (заключение о тестировании)

Содержание учебной дисциплины

IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 1. Базовые идеи построения торговых стратегий
Альфа, основные принципы создания альф, разновидности позиций, momentum и reversion, мета-правила
IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 2. Визуализация, backtesting и подходы к отбору торговых стратегий
Полезные и необходимые графики и диаграммы, принципы осуществления backtesting, инструменты для оценки качества торговой стратегии
IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 3. Структура финансовых данных и их предобработка
Стакан заявок, разновидности приказов, частота данных, наиболее частые ошибки в данных, полезные способы преобразования данных
IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 4. Execution, продвинутый backtesting и управление риском
Особенности внедрения альф в торговых роботах, основные ошибки исполнения заявок, учет комиссий, проскальзываний, эффекта объема в backtesting, понятие stoploss и управление риском
IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 5. Отладка торгового робота и презентация результатов работы
Разработка автоматизированных отчетов, тестирование торговых роботов в рыночных условиях, презентация результатов работы торговых стратегий
IT для финансистов (ФРФИ). SQL
Обучение основам программирования на SQL
IT для финансистов (ФРФИ). R/Python
Обучение основам программирования на R/Python
IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 4. Элементы пользовательского интерфейса и репортинг
Ввод пользовательских параметров. Форматы хранения и экспорта результатов расчетов. Практика автоматизации аналитического отчета в задачах анализа риска кредитного портфеля, риска рыночной ликвидности и процентного риска.
IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 3. Визуализация данных и представление результатов расчетов
Виды графиков, их атрибуты и их настройка. Практика использования matplotlib на примерах финансовых задач: анализ качества рейтинговой системы, риска ликвидности и динамики процентных ставок и кредитных спредов.
IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 2. Анализ структуры и качества данных, финансовые вычисления
Описательная статистика. Поиск ошибок, анализ пропусков, фильтрация данных. Построение выборки и анализ репрезентативности. Трансформация данных: объединение, агрегирование, группировки. Приложение к анализу кредитного портфеля, книги лимитированных заявок и структуры рынка облигаций.
IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 1. Неструктурированные финансовые данные и их организация в БД
Практика создания/организации/ управление БД и осуществления SQL запросов для финансовых данных: данные о кредитном портфеле банка; реестр биржевых заявок; данные рынка облигаций. Практика управления БД с помощью Python по API.
IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 5. Тестирование программных инструментов
Критическая оценка документации программных инструментов, проверка соответствия функционала документации и содержанию практической задачи, поиск и локализация ошибок, исправление и предложения по доработке, заключение о тестировании

Элементы контроля

Трек 1. Самостоятельная работа №2
Трек 1. Самостоятельная работа №1
Трек 1. Самостоятельная работа №3
Трек 1. Проект
Трек 1. Peer-review самостоятельных заданий других студентов
Тестирование на знание основ программирования
Трек 2. Домашняя работа №1
Трек 2. Домашняя работа №2
Трек 2. Домашняя работа №3
Трек 2. Домашняя работа №4
Трек 2. Тестирование программ, написанных студентами трека в рамках домашних заданий

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
Формула оценивания линейная внутри каждого трека, но компоненты оценки и весовые коэффициенты зависят от трека. Оба трека включают оценку за "Тестирование на знание основ программирования" в первом модуле с одинаковым весом; состав компонент за второй модуль и величины весовых коэффициентов определяются префиксом "Трек*" в названии элемента контроля. Курс предусматривает проставление бонусных оценок в дополнение к линейной формуле. В случае если итоговая оценка превышает 10, студенту выставляется 10 баллов

IT for Financials

Instructors

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература