ML инженеры и разработчики, которые интересуются финансовым анализом и хотят развиваться этой области
Финансовые аналитики, которые хотят начать использовать машинное обучение в своей работе
Необходимые знания:
базовое знакомство с Python;
базовые знания линейной алгебры, математического анализа, математической статистики;
базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия, простые нейросети).
По итогам курса курса вы:
научитесь основам финансового анализа и принципам биржевой торговли;
познакомитесь со специальными понятиями финансового анализа, научитесь анализировать различные финансовые инструменты, оценивать риски и формировать оптимальный портфель;
создадите торгового робота, который будет проводить операции автоматически, оценивая приемлемый уровень риска;
узнаете как разместить торгового робота на облачной платформе для взаимодействия с реальными биржевыми площадками;
настроите торгового робота на мониторинг и регулярное переобучение по актуальным данным.
Программа:
Введение в финансовые рынки и машинное обучение
В этом модуле вы познакомитесь с основными понятиями. Вспомните Python и поймёте, как его можно применять для финансового анализа. Вспомните основы машинного обучения и поймёте его применение в финансах. Вспомните основы статистики и временных рядов. Познакомитесь с инструментами анализа финансовых данных.
Тема 1: Введение в финансовые рынки и основные понятия
Тема 2: Основы машинного обучения и его применение в финансах
Тема 3: Основы статистики и временных рядов в анализе финансов
Тема 4: Инструменты анализа финансовых данных
Тема 5: Практическое введение в Python для финансового анализа // ДЗ
Технический анализ финансовых рынков
В этом модуле вы познакомитесь с основами технического анализа. Рассмотрите паттерны и стратегии технического анализа. Поймёте, как интегрировать технический анализ с методами машинного обучения. Построите первую модель на основе технического анализа и оцените её эффективность.
Тема 1: Введение в технический анализ: графики и индикаторы
Тема 2: Паттерны и стратегии технического анализа
Тема 3: Интеграция технического анализа с методами машинного обучения
Тема 4: Применение технического анализа к различным классам активов
Тема 5: Оценка и сравнение эффективности технического анализа // ДЗ
Подготовка данных и признаковая инженерия
В этом модуле вы познакомитесь с методами сбора, очистки и визуализации финансовых данных. Поймёте, как работать с большими объёмами данных. Изучите преобразование и создание признаков.
Тема 1: Сбор и очистка финансовых данных
Тема 2: Визуализация финансовых данных
Тема 3: Управление отсутствующими данными и аномалиями
Тема 4: Работа с большими объемами данных в финансах
Тема 5: Преобразование данных и создание признаков // ДЗ
Моделирование и стратегии на финансовых рынков
В этом модуле вы рассмотрите основы классификации и регрессии в финансовых приложениях. Вспомните особенности моделирования временных рядов и прогнозирования цен активов. Познакомитесь со стратегиями торговли и оптимизации портфеля с использованием ML. Рассмотрите особенности работы с высокочастотными данными.
Тема 1: Основы классификации и регрессии в финансовых приложениях
Тема 2: Моделирование временных рядов в прогнозировании цен
Тема 3: Стратегии торговли и оптимизация портфеля с использованием ML
Тема 4: Работа с высокочастотными данными в финансах
Тема 5: Применение регуляризации и оптимизации в финансовых моделях // ДЗ
Глубокое обучение и практические аспекты
В этом модуле вы вспомните, как строить и обучать глубокие нейронные сети. Научитесь применять нейронные сети в анализе финансовых рынков. Построите и обучите нейросетевую модель на основе технического и фундаментального анализа.
Тема 1: Введение в глубокое обучение и нейронные сети
Тема 2: Применение нейронных сетей в анализе финансовых рынков
Тема 3: Этические и регуляторные аспекты применения ML в финансах
Тема 4: Создание и обучение глубоких моделей в Python
Тема 5: Продвинутые методы глубокого обучения для анализа финансов // ДЗ
Сложные модели торгового агента и перенос обучения в production
В этом модуле вы рассмотрите дополнительный функционал, предоставляемый нам LLM и RL-моделями. Соберёте ансамбль из нескольких моделей для повышения точности. Перенесёте модели в облачную среду.
Тема 1: LLM - модели
Тема 2: RL - модели
Тема 3: Сборка финального ансамбля // ДЗ
Тема 4: Перенос модели в облачную среду // ДЗ
Тема 5: Метрики модели и регулярное переобучение