Машинне навчання - це галузь Штучного інтелекту, в якій комп'ютери мають можливість вчитися без явного запрограмування. R - популярна мова програмування у фінансовій галузі. Він використовується у фінансових додатках, починаючи від основних торгових програм до систем управління ризиками.
У цьому навчанні на практиці під керівництвом інструкторів учасники навчаться застосовувати методи машинного навчання та інструменти для вирішення реальних проблем у фінансовій галузі. R буде використовуватися як мова програмування.
Учасники спочатку вивчають ключові принципи, потім впроваджують свої знання на практиці, будуючи власні моделі машинного навчання та використовуючи їх для виконання ряду командних проектів.
Після закінчення цього тренінгу учасники зможуть:
- Розуміти основні поняття в машинному навчанні
- Вивчіть додатки та використання машинного навчання у фінансах
- Розробити власну алгоритмічну стратегію торгівлі за допомогою машинного навчання з R
Аудиторія
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
Machine Translated
Introduction
- Difference between statistical learning (statistical analysis) and machine learning
- Adoption of machine learning technology and talent by finance companies
Understanding Different Types of Machine Learning
- Supervised learning vs unsupervised learning
- Iteration and evaluation
- Bias-variance trade-off
- Combining supervised and unsupervised learning (semi-supervised learning)
Understanding Machine Learning Languages and Toolsets
- Open source vs proprietary systems and software
- Python vs R vs Matlab
- Libraries and frameworks
Understanding Neural Networks
Understanding Basic Concepts in Finance
- Understanding Stocks Trading
- Understanding Time Series Data
- Understanding Financial Analyses
Machine Learning Case Studies in Finance
- Signal Generation and Testing
- Feature Engineering
- Artificial Intelligence Algorithmic Trading
- Quantitative Trade Predictions
- Robo-Advisors for Portfolio Management
- Risk Management and Fraud Detection
- Insurance Underwriting
Introduction to R
- Installing the RStudio IDE
- Loading R Packages
- Data Structures
- Vectors
- Factors
- Lists
- Data Frames
- Matrices and Arrays
Importing Financial Data into R
- Databases, Data Warehouses, and Streaming Data
- Distributed Storage and Processing with Hadoop and Spark
- Importing Data from a Database
- Importing Data from Excel and CSV
Implementing Regression Analysis with R
- Linear Regression
- Generalizations and Nonlinearity
Evaluating the Performance of Machine Learning Algorithms
- Cross-Validation and Resampling
- Bootstrap Aggregation (Bagging)
- Exercise
Developing an Algorithmic Trading Strategy with R
- Setting Up Your Working Environment
- Collecting and Examining Stock Data
- Implementing a Trend Following Strategy
Backtesting Your Machine Learning Trading Strategy
- Learning Backtesting Pitfalls
- Components of Your Backtester
- Implementing Your Simple Backtester
Improving Your Machine Learning Trading Strategy
- KMeans
- k-Nearest Neighbors (KNN)
- Classification or Regression Trees
- Genetic Algorithm
- Working with Multi-Symbol Portfolios
- Using a Risk Management Framework
- Using Event-Driven Backtesting
Evaluating Your Machine Learning Trading Strategy's Performance
- Using the Sharpe Ratio
- Calculating a Maximum Drawdown
- Using Compound Annual Growth Rate (CAGR)
- Measuring Distribution of Returns
- Using Trade-Level Metrics
Extending your Company's Capabilities
- Developing Models in the Cloud
- Using GPUs to Accelerate Deep Learning
- Applying Deep Learning Neural Networks for Computer Vision, Voice Recognition, and Text Analysis
Summary and Conclusion
.jpg "international air transport association (iata)")
