Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kurzusleírás
Bevezetés
- A statisztikai tanulás (statisztikai elemzés) és a gépi tanulás közötti különbség
- A gépi tanulási technológia és a tehetségek átvétele a pénzügyi vállalatok által
A különböző típusú Machine Learning
- Felügyelt tanulás kontra felügyelet nélküli tanulás
- Iteráció és értékelés
- Bias-variance kompromisszum
- A felügyelt és a nem felügyelt tanulás kombinálása (félig felügyelt tanulás)
A Machine Learning Languages és az eszközkészletek megértése
- Nyílt forráskód vs. védett rendszerek és szoftverek
- Python vs R vs Matlab
- Könyvtárak és keretrendszerek
Megértés Neural Networks
Az alapvető fogalmak megértése a Finance-ben
- A tőzsdei kereskedés megértése
- Az idősoros adatok megértése
- Pénzügyi elemzések megértése
Machine Learning Esettanulmányok in Finance
- Jelgenerálás és -tesztelés
- Feature Engineering
- Mesterséges intelligencia algoritmikus kereskedés
- Mennyiségi kereskedelmi előrejelzések
- Robo-tanácsadók portfólióhoz Management
- Kockázat Management és csalás felderítése
- Biztosítási kötelezettségvállalás
Bevezetés R
- Az RStudio IDE telepítése
- R-csomagok betöltése
- Adatstruktúrák
- Vektorok
- Tényezők
- Listák
- Adatkeretek
- Mátrixok és tömbök
Pénzügyi adatok importálása az R-be
- Databases, Data Warehouses és adatfolyam
- Elosztott tárolás és feldolgozás Hadoop és Spark segítségével
- Adatok importálása egy Database
- Adatok importálása a Excel-ból és a CSV-ből
Regressziós elemzés végrehajtása R-vel
- Lineáris regresszió
- Általánosítások és nemlinearitás
A Machine Learning algoritmusok teljesítményének értékelése
- Keresztellenőrzés és újramintavétel
- Bootstrap Összevonás (zsákolás)
- Gyakorlat
Algoritmikus kereskedési stratégia kidolgozása R-vel
- Munkakörnyezetének beállítása
- Készletadatok gyűjtése és vizsgálata
- Trendkövető stratégia megvalósítása
Az Ön Machine Learning kereskedési stratégiájának utólagos tesztelése
- Tanulási visszatesztelés buktatói
- A Backtester összetevői
- Az egyszerű Backtester megvalósítása
Az Ön Machine Learning kereskedési stratégiájának javítása
- KMeans
- k-Legközelebbi szomszédok (KNN)
- Osztályozási vagy regressziós fák
- Genetikai algoritmus
- Többszimbólum-portfóliók használata
- Kockázati keretrendszer Management használata
- Eseményvezérelt utólagos tesztelés használata
Az Ön Machine Learning kereskedési stratégiája teljesítményének értékelése
- A Sharpe-arány használata
- Maximális lehívás kiszámítása
- Összetett éves növekedési ráta (CAGR) használata
- A hozamok eloszlásának mérése
- Kereskedelmi szintű mutatók használata
Vállalata képességeinek bővítése
- Modellek fejlesztése a felhőben
- GPUs használata a gyorsításhoz Deep Learning
- Deep Learning Neural Networks alkalmazása Computer látás-, hangfelismerés- és szövegelemzésre
Összefoglalás, és következtetés
Követelmények
- Programming tapasztalat bármilyen nyelven
- Statisztikai és lineáris algebrai alapismeretek
28 Hours