Schulungsübersicht

Einführung

  • Unterschied zwischen statistischem Lernen (statistische Analyse) und maschinellem Lernen
  • Übernahme von Technologien und Talenten des maschinellen Lernens durch Finanzunternehmen

Verständnis der verschiedenen Arten von Machine Learning

  • Überwachtes Lernen vs. unüberwachtes Lernen
  • Iteration und Bewertung
  • Bias-Varianz-Abwägung
  • Kombination von überwachtem und unüberwachtem Lernen (semi-supervised learning)

Verstehen von Machine Learning Languages und Toolsets

  • Open Source vs. proprietäre Systeme und Software
  • Python vs. R vs. Matlab
  • Bibliotheken und Frameworks

Verstehen Neural Networks

Verstehen von Grundkonzepten in Finance

  • Verstehen des Aktienhandels
  • Verstehen von Zeitreihendaten
  • Verstehen von Finanzanalysen

Machine Learning Fallstudien in Finance

  • Signalerzeugung und -prüfung
  • Merkmalstechnik
  • Künstliche Intelligenz Algorithmischer Handel
  • Quantitative Handelsvorhersagen
  • Robo-Advisors für Portfolio Management
  • Risiko Management und Betrugsermittlung
  • Underwriting von Versicherungen

Praktische Anwendung: Python für Machine Learning

  • Einrichten des Arbeitsbereichs
  • Beschaffung von Python Bibliotheken und Paketen für maschinelles Lernen
  • Arbeiten mit Pandas
  • Arbeiten mit Scikit-Learn

Importieren von Finanzdaten in Python

  • Verwenden von Pandas
  • Verwendung von Quandl
  • Integrieren mit Excel

Arbeiten mit Zeitreihendaten mit Python

  • Erkunden Ihrer Daten
  • Visualisierung Ihrer Daten

Gemeinsame Finanzanalysen mit Python implementieren

  • Erträge
  • Gleitende Fenster
  • Berechnung der Volatilität
  • Gewöhnliche Least-Squares-Regression (OLS)

Entwicklung einer algorithmischen Handelsstrategie unter Verwendung von Supervised Machine Learning mit Python

  • Verstehen der Momentum-Handelsstrategie
  • Verstehen der Reversions-Handelsstrategie
  • Implementieren Ihrer Handelsstrategie mit einfachen gleitenden Durchschnitten (SMA)

Backtesting Ihrer Machine Learning-Handelsstrategie

  • Backtesting-Fallen lernen
  • Komponenten Ihres Backtesters
  • Verwendung von Python Backtesting-Tools
  • Implementieren Ihres einfachen Backtesters

Verbessern Sie Ihre Machine Learning-Handelsstrategie

  • KMeans
  • K-Nächste Nachbarn (KNN)
  • Klassifizierungs- oder Regressionsbäume
  • Genetischer Algorithmus
  • Arbeiten mit Multi-Symbol-Portfolios
  • Verwendung eines Risiko Management Rahmens
  • Ereignisgesteuertes Backtesting verwenden

Bewertung der Leistung Ihrer Machine Learning Handelsstrategie

  • Verwendung der Sharpe Ratio
  • Berechnen eines maximalen Drawdowns
  • Verwendung der Compound Annual Growth Rate (CAGR)
  • Messung der Verteilung der Erträge
  • Verwendung von Metriken auf Handelsebene
  • Zusammenfassung

Fehlersuche

Schlussbemerkungen

Voraussetzungen

  • Grundlegende Erfahrung mit Python Programmierung
  • Grundlegende Vertrautheit mit Statistik und linearer Algebra
  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.

Preis je Teilnehmer
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien