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.
Schița de curs
Introducere
- Diferența dintre învățarea statistică (analiza statistică) și învățarea mecanică
- Adoptarea tehnologiei de învățare automată și a talentelor de către societățile financiare
Înțelegerea diferitelor tipuri de Machine Learning
- Învățarea supravegheată vs. învățarea nesupravegheată
- Iterarea și evaluarea
- Echilibrul bias-varianță
- Combinarea învățării supravegheate și nesupravegheate (învățare semi-supravegheată)
Înțelegerea Machine Learning Languages și a seturilor de instrumente
- Sursă deschisă vs. sisteme și software proprietare
- Python vs R vs Matlab
- Biblioteci și cadre
Înțelegerea Neural Networks
Înțelegerea conceptelor de bază în Finance
- Înțelegerea tranzacționării acțiunilor
- Înțelegerea datelor din seriile de timp
- Înțelegerea analizelor financiare
Machine Learning Studii de caz în Finance
- Generarea și testarea semnalelor
- Ingineria caracteristicilor
- Inteligență artificială Tranzacționare algoritmică
- Predicții cantitative privind tranzacțiile
- Robo-consilieri pentru portofoliu Management
- Detectarea riscurilor Management și a fraudelor
- Subscrierea asigurărilor
Practic: Python pentru Machine Learning
- Configurarea spațiului de lucru
- Obținerea bibliotecilor și pachetelor de învățare automată Python
- Lucrul cu Pandas
- Lucrul cu Scikit-Learn
Importul datelor financiare în Python
- Utilizarea Pandas
- Utilizarea Quandl
- Integrarea cu Excel
Lucrul cu date din serii cronologice cu Python
- Explorarea datelor dvs.
- Vizualizarea datelor
Implementarea analizelor financiare comune cu Python
- Returns
- Moving Windows
- Volatility Calculation
- Ordinary Least-Squares Regression (OLS)
Dezvoltarea unei strategii algoritmice de tranzacționare utilizând Machine Learning cu Python supervizată
- Înțelegerea strategiei de tranzacționare Momentum
- Înțelegerea strategiei de tranzacționare Reversion
- Implementarea strategiei de tranzacționare cu medii mobile simple (SMA)
Testarea din spate a strategiei dvs. de tranzacționare Machine Learning
- Învățarea capcanelor Backtesting
- Componentele Backtester-ului dvs.
- Utilizarea instrumentelor Python de backtesting
- Implementarea Backtester-ului dvs. simplu
Îmbunătățirea strategiei dvs. de tranzacționare Machine Learning
- KMeans
- K-Nearest Neighbors (KNN)
- Arbori de clasificare sau regresie
- Algoritm genetic
- Lucrul cu portofolii multi-simbol
- Utilizarea unui cadru de risc Management
- Utilizarea testării retrospective bazate pe evenimente (Event-Driven Backtesting)
Evaluarea performanței strategiei Machine Learning de tranzacționare
- Utilizarea raportului Sharpe
- Calcularea unui drawdown maxim
- Utilizarea ratei de creștere anuală compusă (CAGR)
- Măsurarea distribuției randamentelor
- Utilizarea măsurătorilor la nivel de tranzacționare
- Rezumat
Rezolvarea problemelor
Observații finale
Cerințe
- Experiență de bază cu programarea Python
- Familiaritate de bază cu statistica și algebra liniară
21 ore
Mărturii (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
