course
Uczenie maszynowe w finansach z Pythonem
Średnio zaawansowanyPoziom umiejętności
Zaktualizowano 08.2024
PythonMachine Learning4 godz.15 videos59 Exercises5,150 PD32,899Oświadczenie o ukończeniu
Utwórz darmowe konto
Kontynuuj Z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiane przez uczących się w tysiącach firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Jak przewidywać ceny akcji za pomocą uczenia maszynowego
Uczenie maszynowe ma ogromną liczbę zastosowań w branży finansowej i jest powszechnie wykorzystywane do prognozowania wartości akcji oraz utrzymywania silnego portfela akcji. Ten kurs nauczy Cię, jak używać Pythona do obliczania wskaźników technicznych na podstawie historycznych danych giełdowych oraz tworzenia cech i zmiennych docelowych.Rozwijaj swoją wiedzę o modelach ML
Dobre prognozy giełdowe zaczynają się od solidnego przygotowania danych. Nauczysz się, jak przygotować swoje dane finansowe do algorytmów ML i dopasować je do różnych modeli, w tym modeli liniowych, modeli xgboost oraz modeli sieci neuronowych.Drugi rozdział przechodzi do wykorzystania drzew decyzyjnych w Pythonie do przewidywania przyszłych wartości Twojej akcji oraz metod uczenia maszynowego opartych na lasach, aby ulepszyć Twoje prognozy.
Druga połowa tego kursu pokaże Ci, jak skalować dane do wykorzystania w KNN i sieciach neuronowych, a następnie użyć tych narzędzi do przewidywania przyszłej wartości Twoich akcji. Nauczysz się, jak wykreślać straty, mierzyć wydajność i wizualizować wyniki swoich prognoz.
Wykorzystaj wskaźnik Sharpe’a, aby zbudować swój idealny portfel
Uczenie maszynowe może również pomóc Ci znaleźć optymalny portfel akcji. Nauczysz się, jak wykorzystywać nowoczesną teorię portfela (MPT) oraz wskaźnik Sharpe’a jako część procesu przewidywania najlepszych portfeli. Po ukończeniu tego kursu będziesz też rozumieć, jak oceniać wyniki swojego portfela przewidywanego przez machine learning.Wykorzystasz różnorodne rzeczywiste zbiory danych z NASDAQ i zastosujesz do nich solidne teorie oraz techniki, aby móc tworzyć własne prognozy i optymalizować je pod kątem swojej tolerancji ryzyka oraz budżetu. "
Wymagania wstępne
Supervised Learning with scikit-learn1
Preparing data and a linear model
In this chapter, we will learn how machine learning can be used in finance. We will also explore some stock data, and prepare it for machine learning algorithms. Finally, we will fit our first machine learning model -- a linear model, in order to predict future price changes of stocks.
2
Machine learning tree methods
Learn how to use tree-based machine learning models to predict future values of a stock's price, as well as how to use forest-based machine learning methods for regression and feature selection.
3
Neural networks and KNN
We will learn how to normalize and scale data for use in KNN and neural network methods. Then we will learn how to use KNN and neural network regression to predict the future values of a stock's price (or any other regression problem).
4
Machine learning with modern portfolio theory
In this chapter, you'll learn how to use modern portfolio theory (MPT) and the Sharpe ratio to plot and find optimal stock portfolios. You'll also use machine learning to predict the best portfolios. Finally, you'll evaluate performance of the ML-predicted portfolios.
Uczenie maszynowe w finansach z Pythonem
Ukończono kurs
Zdobądź Certyfikat Ukończenia
Dodaj ten certyfikat do swojego profilu na LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i w swojej ocenie okresowejZapisz Się Teraz
Dołącz do ponad 19 milionów osób uczących się i zacznij Uczenie maszynowe w finansach z Pythonem już dziś!
Utwórz darmowe konto
Kontynuuj Z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.