Finančne modelovanie

Vyučujúci

Zaradený v študijných programoch

Výsledky vzdelávania

Študenti nadobudnú v prípade úspešného zvládnutia predmetu najmä nasledovné vedomosti:
- vedomosti o analýze finančných trhoch,
- vedomosti o teórii portfólia,
- vedomosti o aplikácií poznatkov teórie portfólia pri stanovovaní investičných stratégii,
- vedomosti o nástrojoch machine learnig využiteľných pri riadení investičných stratégii.

Študenti nadobudnú v prípade úspešného zvládnutia predmetu najmä nasledovné zručnosti:
- schopnosť využívať modely teórie portfólia pri stanovovaní investičných stratégii,
- ovládanie adekvátneho softvéru k riešeniu úloh teórie portfólia.

Študenti nadobudnú v prípade úspešného zvládnutia predmetu najmä nasledovné kompetencie:
- praktické zručnosti a kompetencie s aplikáciou modelov teórie portfólia pri analýze finančných trhov s využitím adekvátneho softvéru.

Stručná osnova predmetu

1. Vyhodnocovanie investičných projektov nástrojmi finančnej matematiky.
2. Vstupné finančné údaje (akciové trhy) a ich grafická interpretácia.
3. Výnos a riziko a ich meranie: Koncepcie merania rizika (štandardná odchýlka, absolútna odchýlka, VaR, CVaR, DrawDown).
4. Simulácia výnosov finančných aktív.
5. Kategórie mier rizika a výnosov.
6. Pojem portfólia. Riziko investovania. Systematické a nesystematické riziko. Koncepcia diverzifikácie.
7. Markowitzov prístup k výberu portfólia. Očakávaný výnos a miera rizika portfólia. Analýza množiny všetkých portfólií. Množina efektívnych portfólií. Metóda generovania efektívnych portfólií.
8. Modely výberu portfólia v priestore výnos a riziko.
9. Analýza efektívnych portfólií: Analýza portfólia z bezrizikových a rizikových investícií. Trhové portfólio a jeho vlastnosti.
10. Model CAPM – modelovanie mechanizmu tvorby rovnovážnej ceny kapitálových statkov.
11. Výkonnosť portfólia a modely výberu portfólia na báze výkonnosti.
12. Nástroje Machine learning vo financiách.
13. Využitie nástrojov Machine learning pri výbere portfólia.

Odporúčaná literatúra

1. Paiva, Felipe & Cardoso, Rodrigo & Hanaoka, Gustavo & Duarte, Wendel. (2018). Decision-Making for Financial Trading: A Fusion Approach of Machine Learning and Portfolio Selection. Expert Systems with Applications. 115. 10.1016/j.eswa.2018.08.003.
2. X. Yuan, J. Yuan, T. Jiang and Q. U. Ain, "Integrated Long-Term Stock Selection Models Based on Feature Selection and Machine Learning Algorithms for China Stock Market," in IEEE Access, vol. 8, pp. 22672-22685, 2020, doi: 10.1109/ACCESS.2020.2969293.
3. Guan, Hao and Zhiyong An. “A local adaptive learning system for online portfolio selection.” Knowl. Based Syst. 186 (2019): n. pag.
4. Kim, J.; Shin, S.; Lee, H.S.; Oh, K.J. A Machine Learning Portfolio Allocation System for IPOs in Korean Markets Using GA-Rough Set Theory. Sustainability 2019, 11, 6803. https://doi.org/10.3390/su11236803
5. Pekár J.: Modely matematického programovania na výber portfólia. 1. vyd. - Bratislava : Vydavateľstvo EKONÓM, 2015.

Podmienky na absolvovanie predmetu

30 % samostatná práca a priebežné testy
70 % projekt k záverečnej skúške a záverečná skúška

Pracovné zaťaženie študenta

Celkové: pracovná záťaž 6 kreditov x 26 h = 156 h.
Samostatne zaťaženie pre jednotlivé vzdelávacie činnosti
Účasť na prednáškach:26 hodín
Účasť na seminároch:26 hodín
Príprava na semináre 26 hodín
Spracovanie semestrálneho projektu 26 hodín
Príprava na skúšku 52 hodín

Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu

slovenský, anglický

Dátum schválenia: 10.02.2023

Dátum poslednej zmeny: 16.05.2022

Dátum schválenia: 10.02.2023

Dátum poslednej zmeny: 16.05.2022