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

Résztvevők száma



Ár per résztvevő

Rokon tanfolyam

Rokon kategóriák