介紹
統計學習(統計分析)和機器學習之間的區別
金融公司采用機器學習技術及招募相關人才
了解不同類型的機器學習
有監督學習 vs 無監督學習
迭代和評估
偏差方差權衡
結合有監督學習和無監督學習(半監督學習)
了解機器學習語言和工具集
開源 vs 專有系統和軟件
Python vs R vs Matlab
庫和框架
了解神經網絡
了解金融基本概念
了解股票交易
了解時間序列數據
了解金融分析
金融領域機器學習案例研究
信號生成和測試
特征工程
人工智能算法交易
數量貿易預測
針對資產組合管理的機器人顧問
風險管理和欺詐檢測
保險承保
實踐:用于機器學習的Python
設置Workspace
獲取Python機器學習庫和包
使用Pandas
使用Scikit-Learn
將金融數據導入Python
使用Pandas
使用Quandl
與Excel集成
用Python處理時間序列數據
探索你的數據
可視化你的數據
用Python實現常見的金融分析
收益
移動窗口
波動性計算
普通最小二乘回歸(OLS)
用Python監督機器學習開發算法交易策略
了解動量交易策略
了解逆轉交易策略
實施你的簡單的移動平均線(SMA)交易策略
回溯測試(Backtesting)你的機器學習交易策略
學習回測的陷阱
你的回測器(Backtester)組件
使用Python回測工具
實現你的簡單回測器
改進你的機器學習交易策略
KMeans
K最近鄰(KNN)算法
分類或回歸樹
遺傳算法
使用多符號投資組合
使用風險管理框架
使用事件驅動的回測
評估你的機器學習交易策略的表現
使用夏普比率(Sharpe Ratio)
計算最大跌幅
使用復合年增長率(CAGR)
衡量收益的分配
使用貿易水平指標
總結
故障排除 |