Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione
- Differenza tra apprendimento statistico (analisi statistica) e apprendimento automatico
- Adozione della tecnologia di machine learning e dei talenti da parte delle società finanziarie
Comprendere i diversi tipi di Machine Learning
- Apprendimento supervisionato vs apprendimento non supervisionato
- Iterazione e valutazione
- Compromesso distorsione-varianza
- Combinare l'apprendimento supervisionato e non supervisionato (apprendimento semi-supervisionato)
Comprendere Machine Learning i linguaggi e i set di strumenti
- Sistemi e software open source e proprietari a confronto
- Python Contro R contro Matlab
- Librerie e framework
Comprensione Neural Networks
Comprendere i concetti di base in Finance
- Capire il trading azionario
- Informazioni sui dati delle serie temporali
- Comprendere le analisi finanziarie
Machine Learning Casi di studio in ambito finanziario
- Generazione e test del segnale
- Progettazione delle funzionalità
- Trading algoritmico basato sull'intelligenza artificiale
- Previsioni quantitative sul commercio
- Robo-advisor per la gestione del portafoglio
- Risk Management e rilevamento delle frodi
- Sottoscrizione assicurativa
Introduzione a R
- Installazione dell'IDE RStudio
- Caricamento dei pacchetti R
- Strutture dati
- Vettori
- Fattori
- Lizza
- Frame di dati
- Matrici e matrici
Importazione di dati finanziari in R
- Database, data warehouse e flussi di dati
- Archiviazione ed elaborazione distribuite con Hadoop e Spark
- Importazione di dati da un database
- Importazione di dati da Excel e CSV
Implementazione dell'analisi di regressione con R
- Regressione lineare
- Generalizzazioni e non linearità
Valutazione delle prestazioni di Machine Learning algoritmi
- Convalida incrociata e ricampionamento
- Bootstrap Aggregazione (insaccamento)
- Esercizio
Sviluppare una strategia di trading algoritmico con R
- Impostazione dell'ambiente di lavoro
- Raccolta ed esame dei dati di magazzino
- Implementazione di una strategia di trend following
Backtesting della tua Machine Learning strategia di trading
- Imparare le insidie del backtesting
- Componenti del tuo Backtester
- Implementazione del backtester semplice
Migliorare la tua Machine Learning strategia di trading
- KMeans
- k-Vicini più prossimi (KNN)
- Alberi di classificazione o regressione
- Algoritmo genetico
- Utilizzo di portafogli multi-simbolo
- Utilizzo di un Risk Management Framework
- Utilizzo del backtesting basato su eventi
Valutare le prestazioni della tua Machine Learning strategia di trading
- Utilizzo del rapporto di Sharpe
- Calcolo di un drawdown massimo
- Utilizzo del tasso di crescita annuale composto (CAGR)
- Misurare la distribuzione dei rendimenti
- Utilizzo delle metriche a livello di trade
Estendere le capacità della tua azienda
- Sviluppo di modelli nel cloud
- Utilizzo delle GPU per accelerare il deep learning
- Applicazione del deep learning Neural Networks per la visione artificiale, il riconoscimento vocale e l'analisi del testo
Riassunto e conclusione
Requisiti
- Programming esperienza con qualsiasi lingua
- Familiarità di base con la statistica e l'algebra lineare
28 ore