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.
Course Outline
Introductie
- Verschil tussen statistisch leren (statistische analyse) en machine learning
- Adoptie van machine learning-technologie en -talent door financiële bedrijven
Inzicht in verschillende soorten Machine Learning
- Begeleid leren versus leren zonder toezicht
- Iteratie en evaluatie
- Afweging tussen bias en variantie
- Combineren van gesuperviseerd en niet-gesuperviseerd leren (semi-gesuperviseerd leren)
Inzicht in Machine Learning Languages en toolsets
- Open source versus propriëtaire systemen en software
- Python Tegen R tegen Matlab
- Bibliotheken en frameworks
Begrijpen Neural Networks
Basisconcepten begrijpen in Finance
- Inzicht in aandelenhandel
- Inzicht in tijdreeksgegevens
- Inzicht in financiële analyses
Machine Learning Casestudy's in Finance
- Signaalgeneratie en testen
- Functie Engineering
- Kunstmatige intelligentie algoritmische handel
- Kwantitatieve handelsvoorspellingen
- Robo-adviseurs voor portefeuille Management
- Risico's Management en fraudedetectie
- Verzekeringsacceptatie
Inleiding tot R
- De RStudio IDE installeren
- R-pakketten laden
- Data Structuren
- Vectoren
- Factoren
- Lijsten
- Gegevensframes
- Matrices en matrices
Financiële gegevens importeren in R
- Databases, Data Warehouses en streaminggegevens
- Gedistribueerde opslag en verwerking met Hadoop en Spark
- Gegevens importeren uit een Database
- Gegevens importeren uit Excel en CSV
Regressieanalyse implementeren met R
- Lineaire regressie
- Generalisaties en niet-lineariteit
Evaluatie van de prestaties van Machine Learning algoritmen
- Kruisvalidatie en resampling
- Bootstrap Aggregatie (zakken)
- Oefening
Een algoritmische handelsstrategie ontwikkelen met R
- Het inrichten van uw werkomgeving
- Voorraadgegevens verzamelen en onderzoeken
- Implementeren van een trendvolgende strategie
Backtesting van uw Machine Learning handelsstrategie
- Valkuilen bij het leren van backtesting
- Onderdelen van uw backtester
- Implementatie van uw eenvoudige backtester
Het verbeteren van uw Machine Learning handelsstrategie
- KMeans
- k-Dichtstbijzijnde buren (KNN)
- Classificatie- of regressiebomen
- Genetisch algoritme
- Werken met portfolio's met meerdere symbolen
- Een risicokader gebruiken Management
- Gebeurtenisgestuurde backtesting gebruiken
De prestaties van uw Machine Learning handelsstrategie evalueren
- De Sharpe-ratio gebruiken
- Een maximale opname berekenen
- Samengesteld jaarlijks groeipercentage (CAGR) gebruiken
- Verdeling van retouren meten
- Metrische gegevens op handelsniveau gebruiken
Uitbreiding van de mogelijkheden van uw bedrijf
- Modellen ontwikkelen in de cloud
- GPUs gebruiken om te versnellen Deep Learning
- Deep Learning Neural Networks toepassen voor Computer Visie, spraakherkenning en tekstanalyse
Samenvatting en conclusie
Requirements
- Programming ervaring met elke taal
- Basiskennis van statistiek en lineaire algebra
28 Hours