Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Jak przewidywać ceny akcji za pomocą uczenia maszynowego
Uczenie maszynowe ma ogromną liczbę zastosowań w branży finansowej i jest powszechnie wykorzystywane do prognozowania wartości akcji oraz utrzymywania silnego portfela akcji. Ten kurs nauczy Cię, jak używać Pythona do obliczania wskaźników technicznych na podstawie historycznych danych giełdowych oraz tworzenia cech i zmiennych docelowych.Rozwijaj swoją wiedzę o modelach ML
Dobre prognozy giełdowe zaczynają się od solidnego przygotowania danych. Nauczysz się, jak przygotować swoje dane finansowe do algorytmów ML i dopasować je do różnych modeli, w tym modeli liniowych, modeli xgboost oraz modeli sieci neuronowych.Drugi rozdział przechodzi do wykorzystania drzew decyzyjnych w Pythonie do przewidywania przyszłych wartości Twojej akcji oraz metod uczenia maszynowego opartych na lasach, aby ulepszyć Twoje prognozy.
Druga połowa tego kursu pokaże Ci, jak skalować dane do wykorzystania w KNN i sieciach neuronowych, a następnie użyć tych narzędzi do przewidywania przyszłej wartości Twoich akcji. Nauczysz się, jak wykreślać straty, mierzyć wydajność i wizualizować wyniki swoich prognoz.
Wykorzystaj wskaźnik Sharpe’a, aby zbudować swój idealny portfel
Uczenie maszynowe może również pomóc Ci znaleźć optymalny portfel akcji. Nauczysz się, jak wykorzystywać nowoczesną teorię portfela (MPT) oraz wskaźnik Sharpe’a jako część procesu przewidywania najlepszych portfeli. Po ukończeniu tego kursu będziesz też rozumieć, jak oceniać wyniki swojego portfela przewidywanego przez machine learning.Wykorzystasz różnorodne rzeczywiste zbiory danych z NASDAQ i zastosujesz do nich solidne teorie oraz techniki, aby móc tworzyć własne prognozy i optymalizować je pod kątem swojej tolerancji ryzyka oraz budżetu. "
Wymagania wstępne
Program nauczania
Plan kursu
1
Przygotowanie danych i model liniowy
W tym rozdziale poznasz zastosowania uczenia maszynowego w finansach. Przeanalizujesz dane giełdowe i przygotujesz je do algorytmów uczenia maszynowego. Na koniec zbudujesz swój pierwszy model – liniowy – służący do prognozowania przyszłych zmian cen akcji.
- Uczenie maszynowe w finansach50 XP
- Eksploracja danych (EDA)100 XP
- Korelacje100 XP
- Przekształcenia danych, cechy i wartości docelowe50 XP
- Tworzenie cech opartych na średniej kroczącej i RSI100 XP
- Tworzenie cech i wartości docelowych100 XP
- Sprawdź korelacje100 XP
- Modelowanie liniowe50 XP
- Tworzenie cech treningowych i testowych100 XP
- Dopasowanie modelu liniowego100 XP
- Oceń wyniki modelu100 XP
2
Drzewowe metody uczenia maszynowego
Naucz się używać drzewowych modeli uczenia maszynowego do prognozowania przyszłych wartości cen akcji, a także metod opartych na lasach losowych – do regresji i selekcji cech.
3
Sieci neuronowe i KNN
Nauczysz się normalizować i skalować dane do użytku w metodach KNN i sieciach neuronowych. Następnie wykorzystasz regresję KNN i sieci neuronowe do prognozowania przyszłych wartości cen akcji (lub dowolnego innego problemu regresji).
4
Uczenie maszynowe a nowoczesna teoria portfela
W tym rozdziale nauczysz się korzystać z nowoczesnej teorii portfela (MPT) i wskaźnika Sharpe'a, aby wyznaczać i wizualizować optymalne portfele akcji. Zastosujesz też uczenie maszynowe do prognozowania najlepszych portfeli, a na koniec ocenisz ich wydajność.
Uczenie maszynowe w finansach z Pythonem
Kurs
ukończony
