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

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.

Prix par participant

Cours Similaires

Catégories Similaires