Schulungsübersicht

Einführung

  • Unterschied zwischen statistischem Lernen (statistische Analyse) und maschinellem Lernen
  • Übernahme von Technologien und Talenten des maschinellen Lernens durch Finanzunternehmen

Verständnis der verschiedenen Arten von Machine Learning

  • Überwachtes Lernen vs. unüberwachtes Lernen
  • Iteration und Bewertung
  • Bias-Varianz-Abwägung
  • Kombination von überwachtem und unüberwachtem Lernen (semi-supervised learning)

Verstehen von Machine Learning Languages und Toolsets

  • Open Source vs. proprietäre Systeme und Software
  • Python vs. R vs. Matlab
  • Bibliotheken und Frameworks

Verstehen Neural Networks

Verstehen der grundlegenden Konzepte in Finance

  • Verstehen des Aktienhandels
  • Verstehen von Zeitreihendaten
  • Verstehen von Finanzanalysen

Machine Learning Fallstudien in Finance

  • Signalerzeugung und -prüfung
  • Merkmalstechnik
  • Künstliche Intelligenz Algorithmischer Handel
  • Quantitative Handelsvorhersagen
  • Robo-Advisors für Portfolio Management
  • Risiko Management und Betrugserkennung
  • Underwriting von Versicherungen

Einführung in R

  • Installieren der RStudio IDE
  • Laden von R-Paketen
  • Daten-Strukturen
  • Vektoren
  • Faktoren
  • Listen
  • Daten-Rahmen
  • Matrizen und Arrays

Importieren von Finanzdaten in R

  • Databases, Data Warehouses und Streaming-Daten
  • Verteilte Speicherung und Verarbeitung mit Hadoop und Spark
  • Importieren von Daten aus einem Database
  • Importieren von Daten aus Excel und CSV

Implementierung der Regressionsanalyse mit R

  • Lineare Regression
  • Verallgemeinerungen und Nichtlinearität

Evaluierung der Leistung von Machine Learning Algorithmen

  • Kreuzvalidierung und Resampling
  • Bootstrap Aggregation (Bagging)
  • Übung

Entwickeln einer algorithmischen Handelsstrategie mit R

  • Einrichten Ihrer Arbeitsumgebung
  • Sammeln und Untersuchen von Aktiendaten
  • Implementieren einer Trendfolgestrategie

Backtesting Ihrer Machine Learning Handelsstrategie

  • Backtesting-Fallen lernen
  • Komponenten Ihres Backtesters
  • Implementierung Ihres einfachen Backtesters

Verbessern Sie Ihre Machine Learning-Handelsstrategie

  • KMeans
  • k-Nächste Nachbarn (KNN)
  • Klassifizierungs- oder Regressionsbäume
  • Genetischer Algorithmus
  • Arbeiten mit Multi-Symbol-Portfolios
  • Verwendung eines Risiko Management Rahmens
  • Ereignisgesteuertes Backtesting verwenden

Bewertung der Leistung Ihrer Machine Learning Handelsstrategie

  • Verwendung der Sharpe Ratio
  • Berechnen eines maximalen Drawdowns
  • Verwendung der Compound Annual Growth Rate (CAGR)
  • Messung der Verteilung der Erträge
  • Verwendung von Metriken auf Handelsebene

Erweitern der Fähigkeiten Ihres Unternehmens

  • Entwickeln von Modellen in der Cloud
  • Verwendung von GPUs zur Beschleunigung von Deep Learning
  • Anwendung von Deep Learning Neural Networks für Computer Vision, Spracherkennung und Textanalyse

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Programming Erfahrung mit einer beliebigen Sprache
  • Grundlegende Vertrautheit mit Statistik und linearer Algebra
  28 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien