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

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.

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.