Peixun.net > 现场班 > 金融 > Python机器学习与量化投资

Python机器学习与量化投资

课时:0 分钟| 22人学习 分享 收藏
人工智能与机器学习对交易与投资产生巨大影响。交易领域的人工智能应用,大多藉由机器学习来鍳别,分析资产价格变化的特征或因子,以利于构建盈利的交易策略。本课程将系统性介绍常用机器学习方法在股市的应用。

上课信息

上课时间: 2019年5月24-27日 (四天) 北京, 6月6-9日 (四天) 上海
上午9:00-12:00,下午1:30-4:30,答疑4:30-5:00

上课地点: 北京市海淀区厂洼街3号丹龙大厦附近/上海市培训教室

Python机器学习与量化投资

Python 基本介绍(一天)

1. Python对象类型

2. Python 常用语句和语法

3. Python函數

Python数据分析(一天)

1. Numpy程序库与多维数组

2. Pandas与时间序列数据

3. Matplotlib数据可视化

机器学习与量化交易(两天)

1.逻辑回归

1.1 逻辑回归基本概念

1.2 二元分类与逻辑回归模型

1.3 多类别逻辑回归

1.4 逻辑回归的案例分析

2. 机器学习算法:线性判别分析(LDA)和 二次判别分析(QDA)

2.1 判别分析的基本定义

2.2 线性判别分类器与二次判别分类器的理论模型

2.3 构造判别分析分类器的具体操作步骤

2.4 LDA与QDA 金融案例分析

3. 支持向量机

3.1 支持向量机基本概念

3.2 支持向量机的原理

3.3 线性可分与非线性可分支持向量机

3.4 核函数

3.5 支持向量机与金融数据分类

4.金融机器学习算法绩效表现分析

4.1 绩效表现指标

4.2 交叉验证

4.3 Bias and variance

5. 随机森林

5.1 决策树

5.2 随机森林的基本概念与演算法

5.3 随机森类算法的独特优势

5.4 随机森林的应用:股票市场

6. 人工神经网路(ANN)与深度神经网络(DNN)

6.1 人工神经网络的缘起

6.2 神经元与激活函数

6.3 人工神经网络

6.4 反向传播算法

6.5 深度神经网络

6.6 人工神经网络与深度神经网络的金融市场应用分析

7. 卷积神经网络(CNN)

7.1 卷积神经网络的基本想法

7.2 卷积层

7.3 池化层

7.4 全连接层

7.5 卷积神经网络的整体架构及其变形架构

7.6 CNN与股票预测

8、递归神经网络(RNN)

8.1 递归神经网络的基本框架

8.2 Backpropagation Through Time(BPTT)算法

8.3 RNN与CNN对股票预测的对比分析

8.4 長短期記憶模型LSTM和GRU 网络

8.5 RNN, LSTM和GRU模型对股票预测的对比分析


报名时间 2019-01-30 00:00 至 2018-06-05 00:00
培训时间 2019年5月24-27日 (四天) 北京, 6月6-9日 (四天) 上海
培训地点 北京市海淀区厂洼街3号丹龙大厦附近/上海市培训教室
培训费用 5000元 / 4200元 (学生价,仅限全日制在读本科生及硕士)
授课安排 上午9:00-12:00,下午1:30-4:30,答疑4:30-5:00


讲师介绍:

蔡立耑(Terry Tsai),美国伊利诺伊大学金融硕士,华盛顿大学经济学硕士、博士,在国内外如美国、韩国有丰富的授课经验。带领博、硕士生从事投资决策、金融衍生品、风险分析、交易策略等领域的研究。
生长于台湾,求学于美国,在台湾的信息与金融业担任高级顾问,不仅拥有扎实的金融理论基础,而且具备广阔的国际视野与前沿的研究理念!
主持多项金融大数据研究项目,涉及SAS、R、Matlab、Mathematica、Java 与C#、F# 等多种统计分析工具与编程语言。在数据处理、数据分析以及数据可视化等数据科学领域有丰富的经验和独到的见解。
亲身实践各种金融应用,主持研究团队与台湾知名大学与企业合作开展各种金融研究,例如量化投资、风险分析等。在统计套利、金融大数据等领域有丰富的操作经验与授课经验。带领的量化投资研究团队用多种编程语言实现了统计套利以及风险管理自动化程序。


课程介绍

人工智能与机器学习对交易与投资产生巨大影响。交易领域的人工智能应用,大多藉由机器学习来鉴别,分析资产价格变化的特征或因子,以利于构建盈利的交易策略。本课程将系统性介绍常用机器学习方法在股市的应用。



课程大纲:

Python 基本介绍(一天)

1. Python对象类型

2. Python 常用语句和语法

3. Python函數


Python数据分析(一天)

1. Numpy程序库与多维数组

2. Pandas与时间序列数据

3. Matplotlib数据可视化


机器学习与量化交易(两天)

机器学习是从看似无序的数据中分析规律,识别可能具代表性的模式,再藉以对未知数据进行预测。

而股市具有大数据特征,应用机器学习方法从海量的股市数据中发现潜在规律,预测未来发展趋势,对于降低投资风险与增进决策效率显然有重要的意义。

本课程拟介绍如何应用下列的机器学习方法来预测股市,并分析不同方法的效能。

1. 逻辑回归

1.1 逻辑回归基本概念

1.2 二元分类与逻辑回归模型

1.3 多类别逻辑回归

1.4 逻辑回归的案例分析


2. 机器学习算法:线性判别分析(LDA)和 二次判别分析(QDA)

2.1 判别分析的基本定义

2.2 线性判别分类器与二次判别分类器的理论模型

2.3 构造判别分析分类器的具体操作步骤

2.4 LDAQDA 金融案例分析


3. 支持向量机

3.1  支持向量机基本概念

3.2  支持向量机的原理

3.3  线性可分与非线性可分支持向量机

3.4   核函数

3.5  支持向量机与金融数据分类


4. 金融机器学习算法绩效表现分析

4.1 绩效表现指标

4.2 交叉验证

4.3 Bias and variance


5. 随机森林

5.1 决策树

5.2 随机森林的基本概念与演算法

5.3 随机森类算法的独特优势

5.4 随机森林的应用:股票市场


6. 人工神经网路(ANN)与深度神经网络(DNN)

6.1 人工神经网络的缘起

6.2 神经元与激活函数

6.3 人工神经网络

6.4 反向传播算法

6.5 深度神经网络

6.6 人工神经网络与深度神经网络的金融市场应用分析


7. 卷积神经网络(CNN)

7.1 卷积神经网络的基本想法

7.2 卷积层

7.3 池化层

7.4 全连接层

7.5 卷积神经网络的整体架构及其变形架构

7.6 CNN与股票预测

     

8. 递归神经网络(RNN)

8.1 递归神经网络的基本框架

8.2 Backpropagation Through Time(BPTT) 算法            

8.3 RNN与CNN对股票预测的对比分析

8.4 長短期記憶模型LSTM和GRU 网络

8.5 RNN, LSTM和GRU模型对股票预测的对比分析



优惠:

现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;

以上优惠不叠加。


联系方式:

魏老师

QQ:28819897142881989714

Tel:010-68478566

Mail:vip@pinggu.org

课程订阅

讲师介绍


Peixun.net

Python机器学习与量化投资

请认真填写以下信息,方便为您服务
  • 姓名:
  • 电话:
  • 邮箱:
  • 备注:
  • 邀请码:
  • 您还可以选择 登录 或者 注册 更方便您管理课程。

Peixun.net

您关于:

Python机器学习与量化投资

的报名信息已经提交成功。

去购物车结算
您可以选择 登录 或者 注册 更方便您管理课程。
回头再说

邮件已发送!

已成功发送邮件到您注册的邮箱 请前往查询并点击链接重置密码

有待解答的问题

3 名学员对您的课程提问,需要您作出回答。 现在就去