课程大纲

介绍

  • 统计学习(统计分析)与机器学习的区别
  • 金融公司采用机器学习技术和人才

了解不同类型的 Machine Learning

  • 监督学习与无监督学习
  • 迭代和评估
  • 偏差-方差权衡
  • 结合监督学习和无监督学习(半监督学习)

了解 Machine Learning 语言和工具集

  • 开源与专有系统和软件
  • Python 与 R 与 Matlab
  • 库和框架

理解 Neural Networks

了解 Finance 中的基本概念

  • 了解股票交易
  • 了解时序数据
  • 了解财务分析

Machine Learning 金融案例研究

  • 信号生成和测试
  • 特征工程
  • 人工智能算法交易
  • 量化交易预测
  • 用于投资组合管理的机器人顾问
  • Risk Management 和欺诈检测
  • 保险承保

R 简介

  • 安装 RStudio IDE
  • 加载 R 包
  • 数据结构
  • 向量
  • 因素
  • 列表
  • 数据帧
  • 矩阵和数组

将财务数据导入 R

  • 数据库、数据仓库和流数据
  • 使用 Hadoop 和 Spark 进行分布式存储和处理
  • 从数据库导入数据
  • 从 Excel 和 CSV 导入数据

使用 R 实现回归分析

  • 线性回归
  • 泛化和非线性

评估 Machine Learning 算法的性能

  • 交叉验证和重采样
  • Bootstrap 聚集(装袋)
  • 锻炼

使用 R 开发算法交易策略

  • 设置您的工作环境
  • 收集和检查库存数据
  • 实施趋势跟踪策略

回测您的 Machine Learning 交易策略

  • 学习回测陷阱
  • 回溯测试器的组件
  • 实现简单的回溯测试器

改进您的 Machine Learning 交易策略

  • KMeans(英语:KMeans)
  • k-最近邻 (KNN)
  • 分类树或回归树
  • 遗传算法
  • 使用多品种投资组合
  • 使用 Risk Management 框架
  • 使用事件驱动的回测

评估您的 Machine Learning 交易策略的表现

  • 使用夏普比率
  • 计算最大回撤
  • 使用复合年增长率 (CAGR)
  • 衡量回报分布
  • 使用交易级指标

扩展公司的能力

  • 在云中开发模型
  • 使用 GPU 加速深度学习
  • 将深度学习 Neural Networks 应用于计算机视觉、语音识别和文本分析

总结和结论

要求

  • Programming 使用任何语言的经验
  • 基本熟悉统计学和线性代数
  28 小时
 

人数


开始

完结


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

相关课程

课程分类