Улучшите свою карьеру: машинное обучение в финансах. Расширьте свои навыки работы с алгоритмами и инструментами, необходимыми для прогнозирования финансовых рынков.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Основная цель этой специализации — предоставить знания и практические навыки, необходимые для разработки прочной основы в отношении ключевых парадигм и алгоритмов машинного обучения (МО), с особым упором на применение МО для решения различных практических задач в области финансов. . Цель стажировки – помочь студентам научиться решать практические задачи, подходящие для машинного обучения, которые могут возникнуть в повседневной жизни, в том числе:
Модули также можно проходить индивидуально для улучшения соответствующих навыков в конкретной области применения ML для финансов.
Стажировка ориентирована на машинное обучение, со всеми примерами, домашними заданиями и курсовыми проектами, посвященными различным проблемам в области финансов (таким как торговля акциями, управление активами и банковские приложения), а выбор тем производится с упором на ML. Методы, используемые финансистами. Стажировка предназначена для подготовки студентов к работе над сложными проектами машинного обучения в сфере финансов, которые часто требуют как широкого понимания всей области ML, так и понимания различных методологий, доступных в конкретной области ML (например, обучение без учителя). решать практические задачи, которые могут возникнуть у них в работе.
Цель этого курса — предоставить вводный и широкий обзор области машинного обучения (ML) с акцентом на приложения в финансах. На заключительном уроке методы контролируемого машинного обучения используются для прогнозирования закрытия банков. Хотя этот курс можно пройти отдельно, он служит введением в темы, которые будут подробно рассмотрены в последующих модулях тренинга «Машинное обучение и обучение с подкреплением в финансах».
Цель экскурсии по машинному обучению в финансах — понять, что такое машинное обучение, для чего оно используется и для решения каких различных финансовых задач его можно применить.
Для выполнения заданий этого курса необходим опыт работы с Python (включая numpy, pandas и блокноты IPython/Jupyter), линейной алгеброй, основами теории вероятностей и основами исчисления.
Этот курс предназначен для того, чтобы помочь студентам решать практические задачи, подходящие для машинного обучения, которые могут возникнуть в реальной жизни, которые включают в себя: (1) понимание того, где находится рассматриваемая проблема на общей карте доступных методов ML, (2) понимание того, какие конкретно Подходы ML лучше всего подходят для решения проблемы и (3) способности успешно реализовать решение и оценить его эффективность. Студент, практически не имеющий предварительных знаний в области машинного обучения (ML), познакомится с основными алгоритмами обучения с учителем, обучения без учителя и обучения с подкреплением, а также сможет использовать пакеты Python с открытым исходным кодом для проектирования, тестирования и реализации ML. алгоритмы в финансах.
«Основы машинного обучения в финансах» дадут более глубокий взгляд на обучение с учителем, обучение без учителя и обучение с подкреплением, а завершится проектом, в котором обучение без учителя используется для реализации простой торговой стратегии.
Для выполнения заданий этого курса необходим опыт работы с Python (включая numpy, pandas и блокноты IPython/Jupyter), линейной алгеброй, основами теории вероятностей и основами исчисления.
Целью этого курса является ознакомление с основными принципами обучения с подкреплением (RL) и разработка практических примеров применения RL для оценки опционов, торговли и управления активами. По окончании курса студенты смогут:
Обязательными условиями являются курсы «Экскурсия по машинному обучению в финансах» и «Основы машинного обучения в финансах». Ожидается, что учащиеся знают о логнормальном процессе и о том, как его можно обозначить. Знание оценки опционов не обязательно, но желательно.
В последнем курсе нашего обучения, обзоре передовых методов обучения с подкреплением в области финансов, мы постараемся углубить вопросы, которые мы обсуждали в нашем третьем курсе, «Подкрепление обучения в финансах». В частности, мы поговорим о связях между обучением с подкреплением, оценкой опционов и физикой, последствиями обратного обучения с подкреплением для модели воздействия на рынок и динамики цен, а также циклов восприятия-действия в обучении с подкреплением. Наконец, мы рассмотрим потенциальные применения обучения с подкреплением в крупномасштабной торговле, криптовалютах, одноранговом кредитовании и многом другом.
После прохождения данного курса студенты смогут:
