Apa yang akan Anda pelajari?
-
Anda akan dapat menggunakan fungsi yang disediakan untuk mengunduh data keuangan dari sejumlah sumber dan memprosesnya terlebih dahulu untuk analisis lebih lanjut
-
Anda akan dapat menarik beberapa wawasan tentang pola yang muncul dari pilihan metrik yang paling umum digunakan (seperti MACD dan RSI)
-
Memperkenalkan dasar-dasar pemodelan deret waktu. Kemudian, kita melihat metode pemulusan eksponensial dan model kelas ARIMA.
-
menunjukkan cara memperkirakan berbagai model faktor dengan Python. model satu, tiga, empat, dan lima faktor.
-
Memperkenalkan Anda pada konsep peramalan volatilitas menggunakan model kelas (G)ARCH, cara memilih model yang paling sesuai, dan cara menginterpretasikan hasil Anda.
-
Memperkenalkan konsep simulasi Monte Carlo dan menggunakannya untuk mensimulasikan harga saham, penilaian opsi Eropa/Amerika dan menghitung VaR.
-
Memperkenalkan Teori Portofolio Modern dan menunjukkan cara mendapatkan Perbatasan Efisien dengan Python. bagaimana mengevaluasi kinerja portofolio tersebut.
-
Mempresentasikan kasus penggunaan pembelajaran mesin untuk memprediksi default kredit. Anda akan mengetahui menyetel hyperparameters model dan menangani ketidakseimbangan
-
Memperkenalkan Anda pada pilihan pengklasifikasi tingkat lanjut (termasuk menyusun beberapa model) dan cara menangani ketidakseimbangan kelas, gunakan pengoptimalan Bayesian.
-
Mendemonstrasikan cara menggunakan teknik pembelajaran mendalam untuk bekerja dengan deret waktu dan data tabular. Jaringan akan dilatih menggunakan PyTorch.
Persyaratan
-
Statistik dan Python Dasar
Keterangan
Dalam kursus ini, Anda akan terbiasa dengan berbagai konten analisis keuangan terkini, serta teknik algoritme pembelajaran mesin di lingkungan Python, di mana Anda dapat melakukan analisis keuangan yang sangat khusus. Anda akan berkenalan dengan analisis teknis dan fundamental dan Anda akan menggunakan alat yang berbeda untuk analisis Anda. Anda akan berkenalan dengan analisis teknis dan fundamental dan Anda akan menggunakan alat yang berbeda untuk analisis Anda. Anda akan mempelajari lingkungan Python sepenuhnya. Anda juga akan mempelajari algoritme pembelajaran mendalam dan jaringan saraf tiruan yang dapat sangat meningkatkan keterampilan dan keahlian analisis keuangan Anda.
Kursus ini dimulai dengan mengeksplorasi berbagai cara mengunduh data keuangan dan mempersiapkannya untuk pemodelan. Kami memeriksa sifat statistik dasar dari harga dan pengembalian aset, dan menyelidiki keberadaan apa yang disebut fakta bergaya. Kami kemudian menghitung indikator populer yang digunakan dalam analisis teknis (seperti Bollinger Bands, Moving Average Convergence Divergence (MACD), dan Relative Strength Index (RSI)) dan strategi perdagangan otomatis backtest yang dibangun atas dasar mereka.
Bagian berikutnya memperkenalkan analisis deret waktu dan mengeksplorasi model populer seperti pemulusan eksponensial, Rata-Rata Pergerakan Terintegrasi AutoRegressive (ARIMA), dan Heteroskedastisitas Bersyarat Autoregresif Umum (GARCH) (termasuk spesifikasi multivariat). Kami juga memperkenalkan Anda pada model faktor, termasuk Model Penetapan Harga Aset Modal (CAPM) yang terkenal dan model tiga faktor Fama-Prancis. Kami mengakhiri bagian ini dengan mendemonstrasikan berbagai cara untuk mengoptimalkan alokasi aset, dan kami menggunakan simulasi Monte Carlo untuk tugas-tugas seperti menghitung harga opsi Amerika atau memperkirakan Value at Risk (VaR).
Di bagian terakhir kursus, kami melakukan seluruh proyek ilmu data dalam domain keuangan. Kami mendekati masalah penipuan/default kartu kredit menggunakan pengklasifikasi lanjutan seperti hutan acak, XGBoost, LightGBM, model bertumpuk, dan banyak lagi. Kami juga menyetel hyperparameter model (termasuk optimasi Bayesian) dan menangani ketidakseimbangan kelas. Kami menutup kursus ini dengan mendemonstrasikan bagaimana deep learning (menggunakan PyTorch) dapat memecahkan banyak masalah keuangan.
Untuk siapa kursus ini:
- Pengembang
- Analis Keuangan
- Analis Data
- Ilmuwan Data
- Pedagang saham dan cryptocurrency
- Siswa
- Guru
- Peneliti
