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

Numero di Partecipanti



Prezzo per Partecipante

Corsi relativi

Categorie relative