Παρουσίαση/Προβολή

Διδάσκοντες

• ΣΑΜΑΡΑΣ ΝΙΚΟΛΑΟΣ, Καθηγητής, Πανεπιστήμιο Μακεδονίας (samaras uom.edu.gr, 2310 891879)

• ΑΛΕΞΑΝΔΡΙΔΗΣ ΑΝΤΩΝΗΣ, Επίκουρος Καθηγητής, Πανεπιστήμιο Μακεδονίας (alexandridis@uom.edu.gr, 2310 891611)

Περιεχόμενο μαθήματος

Το μάθημα παρουσιάζει τις σύγχρονες εξελίξεις στη μηχανική μάθηση και πώς αυτές εφαρμόζονται στη χρηματοοικονομική. Αυτό το μάθημα θα δώσει στους φοιτητές το απαραίτητο λεξιλόγιο και την τεχνογνωσία για την εφαρμογή μοντέλων μηχανικής μάθησης σε διάφορες πτυχές της χρηματοοικονομική όπως είναι η διαχείριση περιουσιακών στοιχείων, διαχείριση κινδύνου και στρατηγικές συναλλαγών.

• Introduction to Python for Finance
• NumPy and Matplotlib packages.
• Using of pandas to import and inspect a variety of datasets.
• Importing, cleaning and merging data. Importing, cleaning and combining data from Excel workbook sheets into a pandas.
• Statistical Methods in Python
• Machine learning in Python
• Supervised Learning with scikit-learn.
• Neural Networks for Finance

Βιβλιογραφία

• Raschka, S., & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.
• Hilpisch, Y. (2014). Python for Finance: Analyze big financial data. " O'Reilly Media, Inc.".
• Vanderplas, J. T. (2016). Python data science handbook: tools and techniques for developers. O'Reilly.

Συναφή επιστημονικά περιοδικά

Journal of Financial Economics, Journal of Corporate Finance, Corporate Governance: An International Review, European Financial Management, Financial Analysts Journal, Financial Management, Financial Markets, Institutions and Instruments, Journal of Banking and Finance, Journal of International Financial Markets, Institutions and Money, Journal of Portfolio Management

Λοιπές πηγές θα παρατίθενται κατά τη διάρκεια των διαλέξεων όπου κρίνεται απαραίτητο.

Μαθησιακοί στόχοι

Οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος θα είναι σε θέση:

• Να γράφουν σύντομα σενάρια για εισαγωγή, προετοιμασία και ανάλυση οικονομικών δεδομένων για τη λήψη αποφάσεων.
• Να γνωρίζουν τους κύριους τύπους δεδομένων, τις μεθόδους και τα χαρακτηριστικά τους.
• Να εισάγουν, να καθαρίσουν και να συγχωνεύσουν σύνολα δεδομένων.
• Να γνωρίζουν και να μπορούν να εφαρμόζουν διάφορα μοντέλα χρονοσειρών.
• Να γνωρίζουν και να μπορούν να εφαρμόζουν μεθόδους μηχανικής μάθησης.

Οι φοιτητές αναμένεται να αποκτήσουν τις ακόλουθες γενικές ικανότητες:

• Κριτική σκέψη και επίλυση προβλημάτων.
• Λήψη αποφάσεων.  
• Παράγωγή νέων ερευνητικών ιδεών.
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.
• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση της απαραίτητης τεχνολογίας
• Ομαδική εργασία

Μέθοδοι αξιολόγησης

Η γλώσσα αξιολόγησης του μαθήματος είναι τα ελληνικά.

Η αξιολόγηση του μαθήματος αποτελείται από:

• Γραπτή ενδιάμεση εξέταση (50%)
• Γραπτή τελική εξέταση (50%)

Τα κριτήρια αξιολόγησης για όλους τους τρόπους αξιολόγησης περιλαμβάνουν τα εξής

• Κατανόηση βασικών εννοιών που σχετίζονται με το περιεχόμενο του μαθήματος.
• Ικανότητα εφαρμογής των θεωρητικών γνώσεων σε ένα συγκεκριμένο πρόβλημα ή μελέτη περίπτωσης.
• Κριτική ικανότητα ως προς την επιλογή κατάλληλων μεθόδων/εργαλείων σε μια δεδομένη περίπτωση και/ή στην ανάπτυξη επιχειρημάτων με βάση σχετικές θεωρητικές και εμπειρικές μελέτης στη διεθνή βιβλιογραφία.
• Δομή και παρουσίαση.

Αναλυτικότερα κριτήρια αξιολόγησης, εάν κριθεί απαραίτητο, θα δίνονται στον οδηγό μαθήματος ή θα αναρτούνται εδώ.