Schița de curs
Introducere
- Diferența dintre învățarea statistică (analiza statistică) și învățarea automată
- Adoptarea tehnologiei și talentului de învățare automată de către companiile financiare
Înțelegerea diferitelor tipuri de învățare automată
- Învățare supervizată vs învățare nesupervizată
- Iterație și evaluare
- Compromisul bias-varianță
- Combinarea învățării supervizate și nesupervizate (învățare semi-supervizată)
Înțelegerea limbajelor și instrumentelor de învățare automată
- Sisteme și software open source vs proprietare
- Python vs R vs Matlab
- Biblioteci și cadre de lucru
Înțelegerea rețelelor neuronale
Înțelegerea conceptelor de bază în finanțe
- Înțelegerea tranzacționării de acțiuni
- Înțelegerea datelor seriilor de timp
- Înțelegerea analizelor financiare
Studii de caz de învățare automată în finanțe
- Generarea și testarea semnalelor
- Inginerie de caracteristici
- Tranzacționare algoritmică cu inteligență artificială
- Predicții cantitative de tranzacționare
- Robo-consultanți pentru gestionarea portofoliilor
- Gestionarea riscurilor și detectarea fraudelor
- Subscrierea de asigurări
Practică: Python pentru învățarea automată
- Configurarea spațiului de lucru
- Obținerea bibliotecilor și pachetelor Python pentru învățarea automată
- Lucrul cu Pandas
- Lucrul cu Scikit-Learn
Importul datelor financiare în Python
- Folosirea Pandas
- Folosirea Quandl
- Integrarea cu Excel
Lucrul cu date de serii de timp în Python
- Explorarea datelor
- Vizualizarea datelor
Implementarea analizelor financiare comune cu Python
- Rentabilități
- Ferestre mobile
- Calculul volatilității
- Regresia cu cele mai mici pătrate (OLS)
Dezvoltarea unei strategii de tranzacționare algoritmică folosind învățarea automată supervizată cu Python
- Înțelegerea strategiei de tranzacționare pe bază de impuls
- Înțelegerea strategiei de tranzacționare pe bază de revenire
- Implementarea strategiei de tranzacționare cu medii mobile simple (SMA)
Testarea în trecut a strategiei de tranzacționare cu învățare automată
- Învățarea capcanelor testării în trecut
- Componentele testării în trecut
- Folosirea instrumentelor Python pentru testarea în trecut
- Implementarea unui test simplu în trecut
Îmbunătățirea strategiei de tranzacționare cu învățare automată
- KMeans
- K-Nearest Neighbors (KNN)
- Arbori de clasificare sau regresie
- Algoritm genetic
- Lucrul cu portofolii multi-simbol
- Folosirea unui cadru de gestionare a riscurilor
- Folosirea testării bazate pe evenimente
Evaluarea performanței strategiei de tranzacționare cu învățare automată
- Folosirea raportului Sharpe
- Calculul unui drawdown maxim
- Folosirea ratei de creștere anuale compuse (CAGR)
- Măsurarea distribuției rentabilităților
- Folosirea metricilor la nivel de tranzacție
- Rezumat
Depanare
Observații finale
Cerințe
- Experiență de bază cu programarea în Python
- Cunoștințe de bază despre statistică și algebră liniară
Mărturii (2)
ecosistemul ML nu include doar MLFlow, ci și Optuna, hyperops, Docker și Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
M-a plăcut să particip la instruirea Kubeflow, care a avut loc la distanță. Această instruire mi-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toate instrumentele devOps în jurul Kubeflow, care reprezintă bazele necesare pentru a aborda subiectul cu succes. Vreau să-i mulțumesc lui Malawski Marcin pentru răbdarea sa și profesionalismul demonstrat în instruire și sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite unghiuri, folosind diferite instrumente de implementare precum Ansible, EKS kubectl, Terraform. Acum sunt cu adevărat convins că intru în domeniul de aplicație potrivit.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina
