2  Введение

3 Количественные финансы

Курс «Количественные финансы» направлен на развитие практических навыков анализа данных и построения моделей с использованием реальных финансовых данных. Он рассчитан на студентов, стремящихся не только понять теоретические основы, но и научиться применять количественные методы в реальных задачах: от оценки рыночного риска до анализа финансовой отчетности и построения инвестиционных стратегий.

3.1 О преподавателе

Автор курса — Марсель Салихов, директор Института энергетики и финансов, преподаватель ВШЭ с 2008 года. Более 20 лет опыта в аналитике, консалтинге и прикладных исследованиях. Работает на стыке макроэкономики, финансовых рынков и энергетической политики. Пишет на R с 2012 года и на Python с 2017 года.

Курс “Количественные финансы” преподает на Факультете мировой экономики мировой политики НИУ ВШЭ с 2018 года.

📎 Профиль на сайте ВШЭ
📎 Сайт Института энергетики и финансов

3.2 Цели курса

  • Научиться обрабатывать и визуализировать финансовые данные.
  • Освоить эконометрические методы в прикладном контексте.
  • Понимать преимущества и ограничения инструментов анализа: Excel, R, Python.
  • Работать с российскими и международными источниками данных.
  • Приобрести навыки построения моделей, пригодных для автоматизации и воспроизводимых расчетов.

3.3 Организация курса

  • Формат: лекции + практические занятия (лабораторные работы на Python или R).
  • Инструменты: Jupyter/Colab, RStudio, GitHub.
  • Фокус: применение на практике, особенно к российским данным.
  • Оценка: лабораторные (50%), письменный экзамен (40%), посещаемость (10%).

3.4 Структура курса

  1. Повторение основ Python/R: переменные, функции, структуры данных
  2. Загрузка и визуализация финансовых данных
  3. Обработка бухгалтерской отчетности и извлечение метрик
  4. Линейные модели временных рядов (AR, MA, ARMA)
  5. CAPM и бета-оценка
  6. Риск-менеджмент: VaR, Expected Shortfall, GARCH
  7. Портфельная теория: оптимизация, границы эффективности
  8. Анализ и оценка облигаций, спот-ставки, доходности

3.5 Зачем изучать финансы?

Финансовая грамотность важна не только для профессионалов, но и для всех, кто принимает решения о сбережениях, инвестициях и страховании. Финансовая система — неотъемлемая часть современной экономики, а умение интерпретировать и анализировать данные даёт конкурентное преимущество в любой отрасли.

3.6 Почему R и Python?

  • Устоявшиеся, простые и гибкие языки — де-факто стандарт в Data Science.
  • Возможность автоматизации сложных задач и повышение воспроизводимости результатов.
  • Огромная экосистема пакетов: от статистики до машинного обучения.
  • Поддержка интерактивной визуализации и публикации результатов.
  • Доступ к исходному коду — понимание работы методов “под капотом”.
Код 
# Пример R-кода
x <- rnorm(1000)
hist(x, col = "skyblue", main = "Нормальное распределение")

Код 
# Пример Python-кода
import numpy as np
import matplotlib.pyplot as plt

x = np.random.normal(size=1000)
plt.hist(x, bins=30, color="skyblue")
plt.title("Нормальное распределение")
plt.show()

3.7 Excel, R и Python — разные задачи

Excel остаётся важным инструментом для оперативного анализа и построения простых моделей. Однако:

  • Excel ограничен по объему данных и возможностям автоматизации.
  • В нём трудно находить ошибки в сложных расчетах.
  • Статистические возможности Excel существенно уступают R/Python.

R и Python лучше подходят для:

  • Обработки больших объемов данных
  • Построения статистических и эконометрических моделей
  • Визуализации и отчетности
  • Воспроизводимых исследований (reproducible research)

3.8 R или Python?

Критерий Python R
Универсальность +++ (общий язык программирования) ++ (ориентирован на статистику)
Гибкость/оптимизация ++ ++
Визуализация ++ (plotly, matplotlib, seaborn) +++ (ggplot2, plotly)
Популярность +++ (1 место в TIOBE Index) ++ (18 место)

Python чаще выбирают как основной язык, особенно для анализа и машинного обучения. R — более удобен для глубокого статистического анализа, особенно в академической среде.

3.9 А что с другими инструментами?

Matlab, Stata, SPSS, EViews — важные, но в основном коммерческие инструменты. Их использование ограничено лицензиями, меньшей гибкостью и, как правило, не открытым исходным кодом. По сравнению с ними, R и Python предлагают более широкий и доступный набор возможностей.

В следующих главах мы перейдём к практическому анализу данных, начав с загрузки, визуализации и базовой статистики финансовых временных рядов.