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
 

Related Courses

Related Categories