Consulta de Guías Docentes



Academic Year/course: 2022/23

746 - Máster en Análisis Económico Cuantitativo

33440 - AN INTRODUCTION TO BIG DATA IN ECONOMICS

This is a non-sworn translation intended to provide students with information about the course


Information of the subject

Code - Course title:
33440 - AN INTRODUCTION TO BIG DATA IN ECONOMICS
Degree:
746 - Máster en Análisis Económico Cuantitativo
Faculty:
103 - Facultad de Ciencias Económicas y Empresariales
Academic year:
2022/23

1. Course details

1.1. Content area

Computational methods

1.2. Course nature

Compulsory

1.3. Course level

Máster (EQF/MECU 7)

1.4. Year of study

1

1.5. Semester

First semester

1.6. ECTS Credit allotment

4.0

1.7. Language of instruction

English

1.8. Prerequisites

Students must have accomplished the courses “Introduction to Computational Economics” and “Introduction to Machine Learning in Economics and Finance” in the first term

1.9. Recommendations

No hay

1.10. Minimum attendance requirement

No hay

1.11. Subject coordinator

Julia Diaz Garcia

  https://autoservicio.uam.es/paginas-blancas/

1.12. Competences and learning outcomes

1.12.1. Competences

* This course contributes to the acquisition of the following competences:

GENERAL

CG01  To search, analyze and synthesize complex economic information

CG03  To manage computer technologies to perform well with the technological means available (programming languages, software and applications, etc.)

CG04  To manage the main sources of information, and be able to search for relevant information through the Internet, bibliographic databases and critical reading of scientific literature.

CG05  To apply acquired concepts, principles, theories or models to new or unfamiliar environments within broader contexts.

CG06  To accomplish specialized work in the field of Quantitative Economics within the academic or business environment. 

BASIC

CB7     Ability to apply the acquired knowledge and problem-solving skills in new or unfamiliar settings within broader (or multidisciplinary) contexts related to their field of study.

CB10   To have the learning skills that allow to study in a self-directed and independent way.

 

TRANSVERSAL

CT01   To easily navigate within multidisciplinary environments.

CT02   To work as a team in a collaborative way and with shared responsibility in the design and communication of its formal analyses

 SPECIFIC

CE01   To apply advanced knowledge and techniques of Economic Theory, econometric analysis and computational methods to economic problems of interest

CE02   To know and apply advanced computing methods and big data techniques to economic and financial problems

CE03   To identify the sources of relevant economic information and their content, as well as derive from the data information impossible to recognize by non-professionals

 

 

1.12.2. Learning outcomes

* On completing the course, students should be able to:

    - Detect emerging behaviors in large economic data sets.

    - Apply statistical mechanics methods, dynamic systems or machine learning to the analysis of large economic data sets.

 

1.12.3. Course objectives

-

1.13. Course contents

Course contents

 

    1. Introduction to Big Data

            1.1. Characteristics and sources (IoT, NCBI)

            1.2. Emergence of complex behaviour

            1.3. Distributed Systems and Arquitectures (Linux, Spark, Cloud9)

            1.4. Storage: Repository, control version (Git, Bitbucket)

 

    2. Complex data methods

            2.1. Patterns: sample, classify, retrieve, clustering, PCA

            2.2. Statistical mechanics, Information Entropy and Bayes

            2.3. Dynamical Systems: Atractors, Chaos and Fractals

            2.4. Neural networks and machine learning

            2.5. Genetic Evolution Strategy

 

    3. Applications

            3.1. Sociologic systems: gender, media, religion, politics, migration

            3.2. Economic problems: corruption, sustainability, markets, tourism

            3.3. Sciences and simulation: DNA, soft matter, industry, sports

1.14. Course bibliography

[1] Yair Neuman, Dan Vilenchik and Yochai Cohen. 2020. From physical to social interactions: The relative entropy model, Scientific Reports vol. 10, p. 1565.

[2] António R. Góis, Fernando P. Santos, Jorge M. Pacheco and Francisco C. Santos. 2019. Reward and punishment in climate change dilemmas, Scientific Reports vol. 9, p. 16193.

[3] Luis A. Martinez-Vaquero, Valerio Dolci and Vito Trianni. 2019. Evolutionary dynamics of organised crime and terrorist networks, Scientific Reports vol. 9, p. 9727.

[4] Hossein Hassani and Emmanuel Sirimal Silva. 2015. Forecasting with Big Data: A Review, Annals of Data Science vol. 2, p. 5–19.

[5] Omer Berat Sezer, A. Murat Ozbayoglu and Erdogan Dogdu. 2017. An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework, ACM SE '17: Proceedings of the SouthEast Conference, p. 223–226.

[6] Desamparados Blazquez and Josep Domenech. 2018. Big Data sources and methods for social and economic analyses, Technological Forecasting and Social Change vol. 130, p. 99-113.

[7] Xue-Wen Chen and Xiaotong Lin. 2014. Big Data Deep Learning: Challenges and Perspectives, IEEE Access vol. 2, p. 514-525..

 

2. Teaching-and-learning methodologies and student workload

2.1. Contact hours

Contact hours (minimum 33%):  60 hours

Independent study time: 60 hours

2.2. List of training activities

 

# hours

Theory Lectures

10.4

Problem solving and case study analysis

1.2

Projects developed by students individually or in small groups

10

Seminars given by experts

2.4

Student's work in an autonomous way

48

Computer-assisted training

18.8

Follow-up tutorials

 

4

Oral presentations by students, individually or in groups

1.6

Assessment activities

3.6

3. Evaluation procedures and weight of components in the final grade

3.1. Regular assessment

 

%

Final exam

30

Continuous assessment[1]

70

3.1.1. List of evaluation activities

 

%

Final exam

30

Continuous assessment

70

3.2. Resit

 

%

Final exam

30

Continuous assessment

70

3.2.1. List of evaluation activities

 

%

Final exam

 

Continuous assessment

70

4. Proposed workplan

Week

Contents

1-2

Chapter 1

3-7

Chapter 2

8-10

Chapter 3

 

(*)Este calendario es orientativo / The schedule is orientative


Curso Académico: 2022/23

746 - Máster en Análisis Económico Cuantitativo

33440 - INTRODUCCIÓN AL ANÁLISIS DE BIG DATA EN ECONOMÍA


Información de la asignatura

Código - Nombre:
33440 - INTRODUCCIÓN AL ANÁLISIS DE BIG DATA EN ECONOMÍA
Titulación:
746 - Máster en Análisis Económico Cuantitativo
Centro:
103 - Facultad de Ciencias Económicas y Empresariales
Curso Académico:
2022/23

1. Detalles de la asignatura

1.1. Materia

Métodos de computación

1.2. Carácter

Obligatoria

1.3. Nivel

Máster (MECES 3)

1.4. Curso

1

1.5. Semestre

Primer semestre

1.6. Número de créditos ECTS

4.0

1.7. Idioma

Inglés

1.8. Requisitos previos

Los estudiantes deben haber realizado los cursos "Introducción a la economía computacional" e "Introducción al aprendizaje automático en economía y finanzas" en el primer trimestre.

1.9. Recomendaciones

No hay

1.10. Requisitos mínimos de asistencia

No hay

1.11. Coordinador/a de la asignatura

Julia Diaz Garcia

  https://autoservicio.uam.es/paginas-blancas/

1.12. Competencias y resultados del aprendizaje

1.12.1. Competencias

* Esta asignatura contribuye a la adquisición de las siguientes competencias:

GENERALES

CG01 - Buscar, analizar y sintetizar información económica compleja

CG03 - Manejar las tecnologías informáticas para desenvolverse bien con los medios tecnológicos a su alcance (lenguajes de programación, programas y aplicaciones informáticas, etc.)

CG04 - Manejar las principales fuentes de información, siendo capaces de buscar información relevante a través de internet, de las bases de datos bibliográficas y de la lectura crítica de la literatura científica-

CG05 - Aplicar los conceptos, principios, teorías o modelos adquiridos a entornos nuevos o poco conocidos, dentro de contextos más amplios

CG06 - Realizar trabajos de investigación especializados en el campo de la Economía Cuantitativa dentro del ámbito académico o empresarial.

BÁSICAS

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.

CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

 

TRANSVERSALES

CT01 - Desenvolverse con facilidad en entornos multidisciplinares

CT02 - Trabajar en equipo de forma colaborativa y con responsabilidad compartida en el diseño y comunicación de sus análisis formales

 ESPECÍFICAS

CE01 - Aplicar conocimientos y técnicas avanzadas de Teoría Económica, análisis econométrico y métodos computacionales a problemas económicos de interés.

CE02 Conocer y aplicar métodos de computación avanzados y técnicas de big data a problemas económicos y financieros

CE03 - Identificar las fuentes de información económica relevante y su contenido, así como derivar de los datos información imposible de reconocer por no profesionales

 

1.12.2. Resultados de aprendizaje

* Tras superar la asignatura, los estudiantes serán capaces de:

    -  Detectar comportamientos emergentes en grandes conjuntos de datos económicos.

    - Aplicar métodos de mecánica estadística, sistemas dinámicos o aprendizaje de máquinas al análisis de grandes conjuntos de datos económicos.

1.12.3. Objetivos de la asignatura

-

1.13. Contenidos del programa

    1. Introducción a Big Data

            1.1. Características y fuentes (IO, NCBI)

            1.2. La aparición de un comportamiento complejo

            1.3. Sistemas distribuidos y arquitecturas (Linux, Spark, Cloud9)

            1.4. Almacenamiento: Repositorio, versión de control (Git, Bitbucket)

 

    2. Métodos para datos complejos

            2.1. Patrones: muestrear, clasificar, recuperar, agrupar, PCA

            2.2. Mecánica estadística, Entropía de la Información y Bayes

            2.3. Sistemas dinámicos: Atractores, Caos y Fractales

            2.4. Las redes neuronales y el aprendizaje automático

            2.5. Estrategia de evolución genética

 

    3. Aplicaciones

            3.1. Sistemas sociológicos: género, medios de comunicación, religión, política, migración

            3.2. Problemas económicos: corrupción, sostenibilidad, mercados, turismo

            3.3. Ciencias y simulación: ADN, materia blanda, industria, deportes

 

1.14. Referencias de consulta

[1] Yair Neuman, Dan Vilenchik and Yochai Cohen. 2020. From physical to social interactions: The relative entropy model, Scientific Reports vol. 10, p. 1565.

[2] António R. Góis, Fernando P. Santos, Jorge M. Pacheco and Francisco C. Santos. 2019. Reward and punishment in climate change dilemmas, Scientific Reports vol. 9, p. 16193.

[3] Luis A. Martinez-Vaquero, Valerio Dolci and Vito Trianni. 2019. Evolutionary dynamics of organised crime and terrorist networks, Scientific Reports vol. 9, p. 9727.

[4] Hossein Hassani and Emmanuel Sirimal Silva. 2015. Forecasting with Big Data: A Review, Annals of Data Science vol. 2, p. 5–19.

[5] Omer Berat Sezer, A. Murat Ozbayoglu and Erdogan Dogdu. 2017. An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework, ACM SE '17: Proceedings of the SouthEast Conference, p. 223–226.

[6] Desamparados Blazquez and Josep Domenech. 2018. Big Data sources and methods for social and economic analyses, Technological Forecasting and Social Change vol. 130, p. 99-113.

[7] Xue-Wen Chen and Xiaotong Lin. 2014. Big Data Deep Learning: Challenges and Perspectives, IEEE Access vol. 2, p. 514-525..

 

2. Metodologías docentes y tiempo de trabajo del estudiante

2.1. Presencialidad

Presencial (mínimo 33%): 40 horas

No presencial:40 horas

2.2. Relación de actividades formativas

 

# horas

Clases teóricas

10.4

Resolución de problemas y análisis de casos

1.2

Proyectos desarrollados por parte de los estudiantes de manera individual o en grupos de tamaño reducido

10

Seminarios impartidos por expertos

2.4

Trabajo autónomo del estudiante

48

Prácticas asistidas con ordenador

18.8

Tutorías de seguimiento

4

Exposiciones orales por parte de los alumnos, individualmente o en grupo

1.6

Evaluación

3.6

3. Sistemas de evaluación y porcentaje en la calificación final

3.1. Convocatoria ordinaria

 

%

Examen final (máximo 70% de la calificación final o el porcentaje que figure en la memoria)

30

Evaluación continua

70

3.1.1. Relación actividades de evaluación

 

%

Examen final (máximo 70% de la calificación final o el porcentaje que figure en la memoria)

30

Evaluación continua

70

3.2. Convocatoria extraordinaria

 

%

Examen final (máximo 70% de la calificación final o el porcentaje que figure en la memoria)

30

Evaluación continua

70

3.2.1. Relación actividades de evaluación

 

%

Examen final (máximo 70% de la calificación final o el porcentaje que figure en la memoria)

30

Evaluación continua

70

4. Cronograma orientativo

Semana

Contenido

1-2

Capítulo 1

3-7

Capítulo 2

8-10

Capítulo 3

 

(*)Este calendario es orientativo / The schedule is orientative