Интерактивный курс
Машинное обучение для финансов в Python
Научитесь моделировать и прогнозировать значения данных о запасах, используя линейные модели, деревья решений, случайные леса и нейронные сети.
О курсе
Данные временных рядов повсюду вокруг нас; некоторые примеры - погода, модели поведения человека как потребителей и членов общества, а также финансовые данные. В этом курсе вы узнаете, как рассчитывать технические индикаторы из исторических данных о запасах и как создавать элементы и цели из исторических данных о запасах. Вы поймете, как подготовить наши функции для линейных моделей, моделей xgboost и моделей нейронных сетей. Затем мы будем использовать линейные модели, деревья решений, случайные леса и нейронные сети для прогнозирования будущей цены акций на рынках США. Вы также узнаете, как оценивать производительность различных моделей, которые мы обучаем, чтобы оптимизировать их, чтобы наши прогнозы имели достаточную точность, чтобы сделать стратегию торговли акциями прибыльной.План занятий
Методы дерева машинного обучения
Узнайте, как использовать модели машинного обучения на основе дерева для прогнозирования будущих значений цены акции, а также как использовать методы машинного обучения на основе леса для регрессии и выбора функций.
Изучите корреляции новых функций
Создаем случайный лес
Инжиниринг больше возможностей
Оцените производительность
Разработка функций из объема
Проверьте наши результаты
Случайные леса
Деревья решений
Важность функций и повышение градиента
Модель повышения градиента
Настройте гиперпараметры случайного леса
Создавайте функции дня недели
Приспособим дерево решений
Важность функции повышения градиента
Попробуйте разные максимальные глубины
Особенности функций случайных лесов
Подготовка данных и линейной модели
В этой главе мы узнаем, как машинное обучение может быть использовано в финансах. Мы также изучим некоторые фондовые данные и подготовим их для алгоритмов машинного обучения. Наконец, мы подходим к нашей первой модели машинного обучения - линейной модели, чтобы предсказать будущие изменения цен акций.
Создать поезд и проверить особенности
Оцените наши результаты
Подгонка линейной модели
Создание функций и целей
Преобразование данных, функции и цели
Проверьте корреляции
Машинное обучение для финансов
Линейное моделирование
Исследуем данные с некоторыми EDA
Создать скользящее среднее и функции RSI
Корреляции
Машинное обучение с современной теорией портфолио
В этой главе вы узнаете, как использовать современную теорию портфелей (MPT) и коэффициент Шарпа для построения и поиска оптимальных портфелей акций. Вы также будете использовать машинное обучение, чтобы предсказать лучшие портфели. Наконец, вы оцените эффективность прогнозируемых ML портфелей.
Получаем прогнозы и первую оценку
Рассчитать портфель
Объединяем данные и рассчитываем прибыль
Получите лучшие коэффициенты Шарпа
Современная теория портфеля (MPT); эффективные границы
Создание функций и целей
График эффективной границы
Рассчитаем EWMA
Делайте прогнозы со случайным лесом
Коэффициенты Шарпа; особенности и цели
График эффективной границы с лучшим коэффициентом Шарпа
Заключительные замечания и советы
Рассчитаем ковариации для волатильности
График возвратов
Машинное обучение для MPT
Оцените доходы
Нейронные сети и КНН
Мы узнаем, как нормализовать и масштабировать данные для использования в методах KNN и нейронных сетях. Затем мы узнаем, как использовать KNN и регрессию нейронной сети для прогнозирования будущих значений цены акции (или любой другой проблемы регрессии).