Унцатегорисед

5Г-6Г технологије мрежног кора

Циљ и исход предмета

Упознавање за мрежним и виртуализационим технологијама будућих 5Г и 6Г телеокимуникационих мрежа. По завршетку курса студент познаје технологије које се користе у кору 5Г и 6Г мрежа које омогућавају висок ниво виртуализације и искоришћења постављених линкова и других телекомуникационих ресурса.

Теоријска настава

Увод у мобилне комуникације. Основе виртуализационих технологија. Технике виртуализације у рачунарским мрежама. Софтверски дефинисане мреже. Виртуализација мрежних функција. Network slicing. Cloud computing. Internet of Things i Industrial Internet of Things.

Практична настава

Основе Oracle VirtualBoxa. EVEng виртуализационо окружење. Виртуализација мрежа кроз Мининет. Програмирање софтверски дефинисаних мрежа. PoX и OpenDayligth. OpenStack could окружење. Docker виртуализација. Примена Kubernetes оркестратора. 

Физиолошко рачунарство

Циљ и исход предмета
 
Упознавање са разним физиолошким процесима у човеку, њиховом обрадом, интерпретацијом и применом у рачунарству. Овладавање техникама за прављење мерних инструмената, за мерење и анализу физиолошких сигнала, као и за обраду података (data science). По завршетку курса студент познаје све елементе физиолошког рачунарства. Оспособљен је да користи и прави мерне инструменте. Студент такође влада техникама обраде физиолошких сигнала у реалном времену и њиховом синхронизацијом између уређаја.
 
Теоријска настава
 
Физиолошки процеси: рад срца, дисање, рад мишића, покрети, рад стомака, знојење итд. Централни нервни систем и периферни нервни систем, симпатетички и парасимпатетички. Стомак као други мозак и ентерички нервни систем. Мерни инструменти и њихове компоненте: електрокардиографија, фотоплетисмографија, електромиографија, електрогастрографија, електродермална активност итд. Обрађивање сигнала: срчана кохеренција (cardiac coherence), варијабилност дисања (breath rate variability), фазична и тонична промена коже (fasic and tonic skin response) итд. Феномен физиолошке синхроније (Physiological synchrony) тј. подударање ритмова физиолошких процеса између више корисника, његов утицај на међуљудске односе. Физиолошко рачунарство као део интеракције човек-рачунар. Повезани уређаји у облику тенџибл интерфејса (Tangible interface) и носивих рачунара (wearables) као део Интернета ствари. Фидбек или повраћај података кориснику у реалном времену. Примена физиолошког рачунарства у едукацији, уметности, медицини, спорту, транспорту, маркетингу итд. Етика коришћења и дељења физиолошких података корисника.
 
Практична настава 
 
Коришћење постојећих и прављење нових мерних инструмената. Снимање, обрада и интерпретација физиолошких сигнала коришћењем Python програмског језика. Комуникација уређаја са Lab Streaming Layer (LSL= протоколом.
 

Интерфејс Мозак-Рачунар

Циљ и исход предмета
 
Упознавање са карактеристикама и начином функционисања комплексног система у реалном времену, интерфејс мозак-рачунар. Овладавање техникама за мерење, обраду и класификацију електричног сигнала мозга као и његово претварање у перцептивни повраћај (у реалном времену) уз помоћ машинског учења. По завршетку курса студент познаје све елементе једног интерфејса мозак-рачунар, оспособљен је да користи алате како хардверске тако и софтверске како би се информације из мозга претвориле у перцептивни догађај.

Теоријска настава

Неурони, синапсе, електрични сигнал мозга. Мерни инструменти попут електроенцефалограма (ЕЕГ). Closed loop и open loop, biofeedback и neurofeedback. Парадигме као што су Motor Imagery, Event Related Potentials, Evoked Potentials. Интеракција више корисника, хипер-скенирање (hyperscanning). Примена у медицини, у гејминг индустрији, у спорту, у уметности, у паметним транспортним уређајима. Разлика између активног и пасивног интерфејса, и неуро-адаптивних уређаја. Неуро-маркетинг и неуро-етика. Утицај психолошког стања корисника на електричне сигнале па и на перформанс система. Зависност перформанси система од тренинга и учења корисника као и од машинског учења. Анализа и обрада сигнала, чишћење шума, спацијални филтери, темпорални филтери, Калманов филтер, Фуријеова трансформација, конволуција, семпловање, epoching, издвајање потребних вектора за класификацију. Машинско учење – Linear Discriminant Analysis, Support Vector Machine. Lab Streaming Layer (ЛСЛ) протокол комуникације између уређаја и њихова синхронизација за перцептивни повраћај у реалном времену.

Практична настава

Практичан рад са ЕЕГ мерним инструментом. Снимање електричног сигнала мозга, обрада и класификација уз алат openViBE. Повезивање излаза класификације опенВајба са перцептивним повраћајем нпр. унутар видео игре, уз помоћ ЛСЛ протокола.

Mathematical Models and Financial Derivatives

Objectives and Learning Outcomes

The goal of the course is to develop firm understanding of the principal ideas and models that underpin modern financial practice and theory and to build hands-on experience in valuation, hedging and trading of financial derivatives. At the end of the course, students understand the institutional aspects and practical uses and methods of valuation and hedging of derivative securities in discrete and continuous time and effectively utilize data on financial derivatives. They shall also test their derivative-based investment strategies using a realistic trading simulator.

Lectures

Types, uses and risks of financial derivative instruments. Non-arbitrage pricing, complete markets, and replicating portfolio valuation method in discrete time. Risk-neutral expectation (martingale) approach in discrete time. Pricing of forwards, futures and swaps. Use of linear contracts for hedging and speculation. The binomial model and option pricing in discrete time. Brownian motion and Ito processes. Ito’s Lemma and Stochastic Differential Equations. Girsanov Theorem and risk neutral pricing in continuous time. Black-Scholes formula for options pricing. Option Greeks. Hedging equity portfolio using options. Trading strategies with options. Pricing options on indices and currency options. Implied volatility and volatility skew. Introduction to Monte Carlo option pricing. Feynman-Kac theorem and Black-Scholes partial differential equation for derivatives pricing. Pricing of early exercise and exotic options. Volatility models and their trading.

Exercises

Hedging and speculating with forwards, futures and swap contracts. Writing functions for European and American option pricing using binomial tree. Convergence of binomial to the corresponding Black-Scholes values. Working with options data and studying key empirical properties of these data. Back-testing equity portfolio with out-of-the-money put and comparison with long-only strategy. Using Greeks. Constructing volatility smiles and volatility surfaces using options data. Numerically solving Black-Scholes partial differential equations for option pricing in Python implementing finite different method. Monte Carlo experiments in Python for pricing European and American options. Replicating VIX in Python and volatility trading. Group competition in options trading using paper trading accounts in Interactive Broker trading platform.

Financial Computing

Objectives and Learning Outcomes
 
The aim of the course is to enable participants to understand and be able to implement in Python key investment science concepts. Participants acquire tools for making sound investment decisions, develop intuition for investment and trading of financial securities, and learn how to apply these concepts in Python in all stages of the workflow. 
 
Lectures 
 
Numerical recipes in Python – root finding; interpolation; numerical integration; linear systems; random number generation. Numerical optimization. Utility and risk: Utility functions and related properties; risk measures and related properties. Portfolio choice: investment-consumption problems, risk management, performance measurement. Capital Asset Pricing Model (CAPM) and Fama-French factors. Arbitrage pricing theory (APT). Forecasting return and risk. Practical portfolio optimisation: costs and constraints, Robust techniques for estimation and portfolio management. Portfolio performance measures. Introduction to algorithmic trading. 
 
Exercises
 
All exercises implemented in Python. Root finding, interpolation, numerical integration, linear systems, random number generation with applications in investments. Accessing, storing and transforming financial data. Collecting financial data using web scrapping. Processing textual info. Estimation of key statistical properties of return series on US industry portfolios and individual stocks. Creating value-weighted index of US industries. Measuring maximum portfolio drawdown. Portfolio optimization using Quadprog. Implementing different constraints. Plotting the efficient frontier. Back-testing investment strategies. Effective number of portfolio constituents. Investment style analysis. Implementing covariance shrinkage estimators. Implementation of Black-Litterman approach. Interactive plots using IPYWIDGETS. Designing and calibrating CPPI strategies. Risk contribution and risk parity. Implementing algo trading strategies. Group trading competition utilizing Market Watch platform.

Statistics and financial data analysis

Objectives and Learning Outcomes

The course provides a comprehensive introduction to key concepts used in applied statistical work with financial data. The emphasis is both on the key principles of the underlying statistical theory as well as on the economic intuition behind the estimates. At the end of the course, the students will have a good understanding of the “traditional” statistical methods for financial data analysis (outside the machine learning framework), their merits and disadvantages, and will be well equipped to conduct individual data-driven research or industry projects.

Lectures

Financial time series and their characteristics. Linear regression with normal and non-normal data. Transformations, weighted regression and heteroscedasticity. Maximum likelihood estimation. Instrumental variables. Linear time series models: autoregressive, moving average and ARMA models; autocorrelation structure; order identification using AIC and BIC; model checking. State space models and Kalman filter. Forecasting methods. Stationarity. Unit-root tests. ARIMA models. Conditional volatility models (ARCH and GARCH modelling and calibration). Multivariate time series models. Introduction to nonlinear time series models. Regime change detection.

Exercises

Working with financial data using R. Estimating and interpreting linear regression in practice. Testing statistical hypothesis. Estimating weighted least squares. Instrumental variables regressions and the selection of instruments. Univariate linear time series analysis and fitting the best model for forecasting returns. Unobserved component models: estimation, interpretation and forecast. Unit root tests and statistical and economic implications. Vector autoregressive models: estimation, interpretation and forecast. Conditional volatility modelling: estimation, interpretation, selection and forecast.