CEBA courses

Language: English
Duration: 3-4 weeks

Machine learning methods are increasingly used in economics, finance and econometrics. Despite the difference in approaches between traditional econometrics and machine learning, these areas often solve methodologically similar tasks.

The purpose of the course is:

• to teach modern machine learning methods, their role in economic research,
• to form students' understanding of the commonalities and differences between machine learning methodologies and traditional econometrics,
• to help master the theoretical and practical principles and techniques required for using machine learning in business analytics with modern software packages.
  

The course combines classical econometrics with statistical machine learning from the point of view of a business analyst, facing practical problems related to potentially large amounts of data.

Lyudmila Gadasina
Candidate of Physical and Mathematical Sciences
Position: Associate Professor of the Department of Information Systems in Economics

Artem Prokhorov
Position: Professor of Business Analytics at the University of Sydney Business School, Academic Advisor of Center for econometrics and business analytics St Petersburg University

Yuri Makarov
Position: Machine Learning Engineering @ Revolut

Module 1. Machine learning: Part 1

Module 2. Machine learning: Part 2

Module 3. Big Data Processing Methods in Econometrics

Module 4. Project

- be able to carry out econometric analysis in various areas of the economy, including the construction of forecasts of socio-economic development indicators at the enterprise, region, country level using both traditional econometrics methods and machine learning models;

- be able to analyze and use various sources of information to conduct socio-economic calculations, classifications and predictions;

- be able to make a forecast of the main socio-economic indicators of the enterprise, industry, region and the economy as a whole;

- be able to choose and apply suitable machine learning methods for solving economic problems using the Python programming language, as well as libraries such as: Scikit-learn, Pandas, Numpy, Scipy, Statsmodels, LightGBM;

- possess modern skills in processing and analytics of big data. Students will get acquainted with the following big data processing technologies: Apache Hadoop, the MapReduce computing paradigm, as well as Apache Spark.

Certificate
The course certificate is issued upon completion of all graded tasks of the course.

Language: Russian
Duration: 5 weeks

Целью курса является обучение студентов современным методам эконометрического моделирования одномерных временных рядов.

Задачами курса являются: формирование у студентов представления о методологии эмпирического исследования и возможностях эконометрических моделей и границ их применения, а также выработка навыков работы с реальными экономическими данными.

Курс включает четыре модуля:

• В первом модуле представлены основные определения, понятия и модели, связанные с временными рядами.

• Во втором модуле, посвященном методам анализа и прогнозирования стационарных и интегрированных временных рядов, рассматриваются модели ARMA и ARIMA.

• Третий и четвертый модули посвящены теории нестационарных процессов, а также методам тестирования гипотезы о нестационарности (или стационарности) временного ряда.

Видеосюжеты курса содержат теоретический материал и разбор практических кейсов. В дополнительных материалах слушатели могут найти практические кейсы, выполненные в пакетах R, Stata и Gretl.

Курс содержит индивидуальный проект, выполнение которого позволит закрепить и обобщить полученные знания.

Курс будет полезен бакалаврам, магистрантам, аспирантам, аналитикам данных и всем интересующимся данной тематикой.

Lyudmila Gadasina
Candidate of Physical and Mathematical Sciences
Position: Associate Professor of the Department of Information Systems in Economics

Olga Podkorytova
Position: Associate Professor of the Department of Economic Cybernetics

Anton Skrobotov
Position: Researcher, Economics department

Svetlana Evstratchik
Candidate of Economic Sciences
Position: Associate Professor of the Department of Economic Cybernetics

Module 1. Стационарные временные ряды

Module 2. Методология Бокса-Дженкинса

Module 3. Единичные корни: часть 1

Module 4. Единичные корни: часть 2

Module 5. Финальный проект

1. основные методы эконометрического моделирования;
2. возможности эконометрических моделей и границы их применения;
3. основные определения, понятия и модели, связанные с временными рядами.

Будет уметь:
1. тестировать гипотезы о нестационарности временного ряда;
2. пользоваться методами анализа и прогнозирования стационарных и
интегрированных временных рядов.
3. пользоваться такими программными средствами, как R, Stata и Gretl.

Будет владеть:
1. методами анализа на модели ARMA и ARIMA;
2. навыками работы с реальными экономическими данными.
3. базовыми фактами, касающиеся оценивания основных числовых характеристик
(среднее, дисперсия, автокорреляционная и частная автокорреляционная функции)
стационарного временного ряда

Certificate
The course certificate is issued on condition of successful completion of control tasks and the final project. To successfully complete the course, you need to score 60%.