Machine Learning for Finance (with Python)

• Podstawowe doświadczenie z programowaniem Python
• Podstawowa znajomość statystyki i algebry liniowej

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Python to język programowania słynący z przejrzystej składni i czytelności. Oferuje doskonałą kolekcję sprawdzonych bibliotek i technik do tworzenia aplikacji uczenia maszynowego.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak stosować techniki i narzędzia uczenia maszynowego do rozwiązywania rzeczywistych problemów w branży finansowej.

Uczestnicy najpierw poznają kluczowe zasady, a następnie wykorzystują swoją wiedzę w praktyce, budując własne modele uczenia maszynowego i wykorzystując je do realizacji szeregu projektów zespołowych.

Po zakończeniu szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe koncepcje uczenia maszynowego
• Poznać aplikacje i zastosowania uczenia maszynowego w finansach
• Opracować własną strategię handlu algorytmicznego przy użyciu uczenia maszynowego z Python

Publiczność

• Deweloperzy
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Wprowadzenie

• Różnica między uczeniem statystycznym (analizą statystyczną) a uczeniem maszynowym
• Przyjęcie technologii uczenia maszynowego i talentów przez firmy finansowe

Zrozumienie różnych rodzajów Machine Learning

• Uczenie nadzorowane a uczenie bez nadzoru
• Iteracja i ocena
• Kompromis między stronniczością a wariancją
• Łączenie uczenia nadzorowanego i nienadzorowanego (uczenie częściowo nadzorowane)

Zrozumienie Machine Learning Languages i zestawów narzędzi

• Otwarte oprogramowanie a systemy i oprogramowanie własnościowe
• Python vs R vs Matlab
• Biblioteki i struktury

Zrozumienie Neural Networks

Zrozumienie podstawowych pojęć w Finance

• Zrozumienie handlu akcjami
• Zrozumienie danych szeregów czasowych
• Zrozumienie analiz finansowych

Machine Learning Studia przypadków w Finance

• Generowanie i testowanie sygnałów
• Inżynieria cech
• Sztuczna inteligencja Handel algorytmiczny
• Ilościowe przewidywanie transakcji
• Robo-doradcy dla portfela Management
• Wykrywanie ryzyka Management i oszustw
• Ubezpieczenia

Praktyczne: Python dla Machine Learning

• Konfigurowanie obszaru roboczego
• Uzyskiwanie Python bibliotek i pakietów uczenia maszynowego
• Praca z Pandas
• Praca z Scikit-Learn

Importowanie danych finansowych do Python

• Korzystanie z Pandas
• Korzystanie z Quandl
• Integracja z Excel

Praca z danymi szeregów czasowych z Python

• Eksploracja danych
• Wizualizacja danych

Wdrażanie typowych analiz finansowych z Python

• Zwroty
• Okna ruchome
• Obliczanie zmienności
• Regresja liniowa najmniejszych kwadratów (OLS)

Opracowywanie strategii handlu algorytmicznego przy użyciu funkcji Supervised Machine Learning z Python

• Zrozumienie strategii Momentum Trading
• Zrozumienie strategii handlowej Reversion
• Wdrażanie strategii handlowej opartej na prostych średnich kroczących (SMA)

Backtesting Machine Learning strategii handlowej

• Pułapki związane z testowaniem historycznym
• Elementy składowe testera historycznego
• Korzystanie z Python narzędzi do testowania historycznego
• Wdrażanie prostego testera historycznego

Ulepszanie Machine Learning strategii handlowej

• KMeans
• K-Najbliżsi Sąsiedzi (KNN)
• Drzewa klasyfikacyjne lub regresyjne
• Algorytm genetyczny
• Praca z portfelami wielosymbolowymi
• Korzystanie z ram ryzyka Management
• Korzystanie z analizy historycznej opartej na zdarzeniach

Ocena wyników strategii handlowej Machine Learning

• Korzystanie ze współczynnika Sharpe'a
• Obliczanie maksymalnej wypłaty
• Korzystanie ze złożonej rocznej stopy wzrostu (CAGR)
• Pomiar dystrybucji zwrotów
• Korzystanie z metryk na poziomie transakcji
• Podsumowanie

Rozwiązywanie problemów

Uwagi końcowe