Analyzing Big Financial Data with Python Kurzusok

Kurzuskód

pythonbigdata

Időtartalma

35 hours (usually 5 days including breaks)

Követelmények

  • Basic programming experience
  • A solid grasp of mathematics for finance

Összefoglaló

Python magas szintű programozási nyelv, amely tiszta szintaxisáról és kódolvashatóságáról híres.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell használni a Python ot mennyiségi finanszírozáshoz.

A képzés végére a résztvevők képesek lesznek:

  • Ismerje meg a Python programozás alapjait
  • Használja a Python ot pénzügyi alkalmazásokhoz, beleértve matematikai technikák, sztochasztikák és statisztikák végrehajtását
  • Pénzügyi algoritmusok végrehajtása a Python teljesítmény használatával

Közönség

  • Fejlesztők
  • Mennyiségi elemzők

A tantárgy formátuma

  • Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Machine Translated

Kurzusleírás

Introduction

Understanding the Fundamentals of Python

Overview of Using Technology and Python in Finance

Overview of Tools and Infrastructure

  • Python Deployment Using Anaconda
  • Using the Python Quant Platform
  • Using IPython
  • Using Spyder

Getting Started with Simple Financial Examples with Python

  • Calculating Implied Volatilities
  • Implementing the Monte Carlo Simulation
    • Using Pure Python
    • Using Vectorization with Numpy
    • Using Full Vectoriization with Log Euler Scheme
    • Using Graphical Analysis
  • Using Technical Analysis

Understanding Data Types and Structures in Python

  • Learning the Basic Data Types
  • Learning the Basic Data Structures
  • Using NumPy Data Structures
  • Implementing Code Vectorization

Implementing Data Visualization in Python

  • Implementing Two-Dimensional Plots
  • Using Other Plot Styles
  • Implementing Finance Plots
  • Generating a 3D Plot

Using Financial Time Series Data in Python

  • Exploring the Basics of pandas
  • Implementing First and Second Steps with DataFrame Class
  • Getting Financial Data from the Web
  • Using Financial Data from CSV Files
  • Implementing Regression Analysis
  • Coping with High-Frequency Data

Implementing Input/Output Operations

  • Understanding the Basics of I/O with Python
  • Using I/O with pandas
  • Implementing Fast I/O with PyTables

Implementing Performance-Critical Applications with Python

  • Overview of Performance Libraries in Python
  • Understanding Python Paradigms
  • Understanding Memory Layout
  • Implementing Parallel Computing
  • Using the multiprocessing Module
  • Using Numba for Dynamic Compiling
  • Using Cython for Static Compiling
  • Using GPUs for Random Number Generation

Using Mathematical Tools and Techniques for Finance with Python

  • Learning Approximation Techniques
    • Regression
    • Interpolation
  • Implementing Convex Optimization
  • Implementing Integration Techniques
  • Applying Symbolic Computation

Stochastics with Python

  • Generation of Random Numbers
  • Simulation of Random Variables and of Stochastic Processes
  • Implementing Valuation Calculations
  • Calculation of Risk Measures

Statistics with Python

  • Implementing Normality Tests
  • Implementing Portfolio Optimization
  • Carrying Out Principal Component Analysis (PCA)
  • Implementing Bayesian Regression using PyMC3

Integrating Python with Excel

  • Implementing Basic Spreadsheet Interaction
  • Using DataNitro for Full Integration of Python and Excel

Object-Oriented Programming with Python

Building Graphical User Interfaces with Python

Integrating Python with Web Technologies and Protocols for Finance

  • Web Protocols
  • Web Applications
  • Web Services

Understanding and Implementing the Valuation Framework with Python

Simulating Financial Models with Python

  • Random Number Generation
  • Generic Simulation Class
  • Geometric Brownian Motion
    • The Simulation Class
    • Implementing a Use Case for GBM
  • Jump Diffusion
  • Square-Root Diffusion

Implementing Derivatives Valuation with Python

Implementing Portfolio Valuation with Python

Using Volatility Options in Python

  • Implementing Data Collection
  • Implementing Model Calibration
  • Implementing Portfolio Valuation

Best Practices in Python Programming for Finance

Troubleshooting

Summary and Conclusion

Closing Remarks

Vélemények

★★★★★
★★★★★

Rokon kategóriák

Rokon tanfolyam

Kedvezmények tanfolyamokra

Hírlevél kedvezmény

Tiszteletben tartjuk az Ön e-mail címét. Nem fogjuk továbbítani és nem adjuk el a címet más feleknek. Bármikor megváltoztathatja preferenciáit vagy leiratkozhat.

Néhány ügyfelünk

is growing fast!

We are looking for a good mixture of IT and soft skills in Hungary!

As a NobleProg Trainer you will be responsible for:

  • delivering training and consultancy Worldwide
  • preparing training materials
  • creating new courses outlines
  • delivering consultancy
  • quality management

At the moment we are focusing on the following areas:

  • Statistic, Forecasting, Big Data Analysis, Data Mining, Evolution Alogrithm, Natural Language Processing, Machine Learning (recommender system, neural networks .etc...)
  • SOA, BPM, BPMN
  • Hibernate/Spring, Scala, Spark, jBPM, Drools
  • R, Python
  • Mobile Development (iOS, Android)
  • LAMP, Drupal, Mediawiki, Symfony, MEAN, jQuery
  • You need to have patience and ability to explain to non-technical people

To apply, please create your trainer-profile by going to the link below:

Apply now!

This site in other countries/regions