Maskininlärning för finans i Python

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. "