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.
Plan du cours
Introduction
- Différence entre l'apprentissage statistique (analyse statistique) et l'apprentissage automatique (machine learning)
- Adoption de la technologie et des talents d'apprentissage automatique par les sociétés financières
Comprendre les différents types d'apprentissage Machine Learning
- Apprentissage supervisé et apprentissage non supervisé
- Itération et évaluation
- Compromis biais-variance
- Combinaison de l'apprentissage supervisé et non supervisé (apprentissage semi-supervisé)
Comprendre Machine Learning Languages et les ensembles d'outils
- Systèmes et logiciels libres ou propriétaires
- Logiciels libres et logiciels propriétaires Python vs R vs Matlab
- Bibliothèques et cadres de travail
Comprendre Neural Networks
Comprendre les concepts de base en Finance
- Comprendre la négociation des actions
- Comprendre les données de séries temporelles
- Comprendre les analyses financières
Machine Learning Études de cas en Finance
- Génération et test des signaux
- Ingénierie des caractéristiques
- Intelligence artificielle Trading algorithmique
- Prédictions quantitatives des transactions
- Robo-conseillers pour les portefeuilles Management
- Détection des risques Management et des fraudes
- Souscription d'assurance
Introduction à R
- Installation de l'IDE RStudio
- Chargement des paquets R
- Structures de données
- Vecteurs
- Facteurs
- Listes
- Cadres de données
- Matrices et tableaux
Importer des données financières dans R
- Databases, Data Warehouses et flux de données
- Stockage et traitement distribués avec Hadoop et Spark
- Importation de données à partir d'un Database
- Importer des données depuis Excel et CSV
Mise en œuvre de l'analyse de régression avec R
- Régression linéaire
- Généralisations et non-linéarité
Évaluer la performance des algorithmes Machine Learning
- Validation croisée et rééchantillonnage
- [Agrégation (Bagging)
- Exercice
Développer une stratégie de trading algorithmique avec R
- Mise en place de votre environnement de travail
- Collecte et examen des données boursières
- Mise en place d'une stratégie de suivi de tendance
Backtesting de votre Machine Learning stratégie de trading
- Apprendre les pièges du backtesting
- Composants de votre backtester
- Mise en œuvre d'un backtester simple
Améliorer votre Machine Learning stratégie de trading
- KMeans
- Voisins les plus proches (KNN)
- Arbres de classification ou de régression
- Algorithme génétique
- Travailler avec des portefeuilles multi-symboles
- Utilisation d'un cadre de risque Management
- Utiliser le backtesting piloté par les événements
Évaluer la performance de votre Machine Learning stratégie de trading
- Utiliser le ratio de Sharpe
- Calculer une perte maximale
- Utiliser le taux de croissance annuel composé (TCAC)
- Mesurer la distribution des rendements
- Utilisation de mesures au niveau de l'opération
Extension des capacités de votre entreprise
- Développer des modèles dans le nuage
- Utiliser les GPU pour accélérer Deep Learning
- Appliquer Deep Learning Neural Networks à Computer la vision, la reconnaissance vocale et l'analyse de texte
Résumé et conclusion
Pré requis
- Programming expérience avec n'importe quel langage
- Familiarité de base avec les statistiques et l'algèbre linéaire
28 heures