Kurs
Maskininlärning för finans i Python
MedelnivåKunskapsnivå
Uppdaterad 2024-08
PythonMachine Learning4 tim15 videor59 Övningar5,150 XP33,015Intyg om genomförande
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Omtyckt av lärande på tusentals företag
Utbildar du ett team?
Prova för företagKursbeskrivning
Hur man förutspår aktiekurser med maskininlärning
Maskininlärning har ett stort antal tillämpningar inom finansbranschen och används ofta för att förutsäga aktievärden och upprätthålla en stark aktieportfölj. Den här kursen lär dig hur du använder Python för att beräkna tekniska indikatorer från historisk aktiedata och skapa features och targets.Bygg upp din kunskap om ML-modeller
Bra aktieprognoser börjar med bra databeredning. Du kommer att lära dig hur du förbereder dina finansiella data för ML-algoritmer och anpassar dem till olika modeller, inklusive linjära modeller, xgboost-modeller och neurala nätverksmodeller.Det andra kapitlet går vidare till att använda beslutsträd i Python för att förutsäga framtida värden för din aktie, samt skogsbaserade maskininlärningsmetoder för att förbättra dina prognoser.
Den andra halvan av den här kursen går igenom hur du skalar dina data för användning i KNN och neurala nätverk innan du använder dessa verktyg för att förutsäga det framtida värdet på din aktie. Du kommer att lära dig hur du plottar förluster, mäter prestanda och visualiserar dina prediktionsresultat.
Använd Sharpekvoten för att bygga din ideala portfölj
Maskininlärning kan också hjälpa dig att hitta den optimala aktieportföljen. Du kommer att lära dig hur du använder modern portföljteori (MPT) och Sharpekvoten som en del av din process för att förutsäga de bästa portföljerna. När du har slutfört den här kursen kommer du också att förstå hur du utvärderar prestandan för din portfölj som förutsagts med maskininlärning.Du kommer att använda en mängd verkliga datamängder från NASDAQ och tillämpa robusta teorier och tekniker på dem så att du kan skapa dina egna prognoser och optimera utifrån din riskaptit och budget. "
Förkunskapskrav
Supervised Learning with scikit-learn1
Förbereda data och en linjär modell
I det här kapitlet utforskar vi hur maskininlärning kan användas inom finans. Vi undersöker aktiedata och förbereder dem för maskininlärningsalgoritmer. Slutligen anpassar vi vår första maskininlärningsmodell – en linjär modell – för att förutsäga framtida prisförändringar för aktier.
2
Trädbaserade maskininlärningsmetoder
Lär dig att använda trädbaserade maskininlärningsmodeller för att förutsäga framtida aktiekurser, samt hur du använder skogbaserade maskininlärningsmetoder för regression och val av särdrag.
3
Neurala nätverk och KNN
Vi lär oss att normalisera och skala data för användning med KNN och neurala nätverk. Sedan lär vi oss att använda KNN- och neuralt nätverks-regression för att förutsäga framtida aktiekurser (eller andra regressionsproblem).
4
Maskininlärning med modern portföljteori
I det här kapitlet lär du dig att använda modern portföljteori (MPT) och Sharpe-kvoten för att rita och hitta optimala aktieportföljer. Du använder också maskininlärning för att förutsäga de bästa portföljerna. Slutligen utvärderar du prestandan hos de ML-förutsagda portföljerna.
Maskininlärning för finans i Python
Kurs slutförd
Tjäna ett prestationsbevis
Lägg till det här beviset i din LinkedIn-profil, ditt CV eller din meritförteckningDela det i sociala medier och i din medarbetarutvärderingRegistrera dig nu
Gå med 19 miljoner lärande och börja Maskininlärning för finans i Python idag!
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Utveckla dina datakunskaper med DataCamp för mobilen
Gör framsteg när du är på språng med våra mobila kurser och dagliga 5-minuters kodningsutmaningar.