Tematska celina 1. Priprema podataka i linearnog modela
U ovom delu ćemo naučiti kako se mašinsko učenje može koristiti u finansijama. Takođe ćemo istražiti neke podatke o akcijama i pripremiti ih za algoritme mašinskog učenja. Na kraju, prilagodićemo naš prvi model mašinskog učenja – linearni model, kako bismo predvideli buduće promene cena akcija.
Lekcija 1. Mašinsko učenje za finansije
aktivnost 1: Istražite podatke pomoću EDA
aktivnost 2: Korelacije
Lekcija 2. Transformacije podataka, karakteristike i ciljevi
aktivnost 1: Kreirajte karakteristike pokretnog proseka i RSI-ja
aktivnost 2: Kreirajte karakteristike i ciljeve
aktivnost 3: Proverite korelacije
Lekcija 3. Linearno modelovanje
aktivnost 1: Kreirajte trening i test karakteristike
aktivnost 2: Ocenite linearni model
aktivnost 3: Evaluirajte rezultate modela
Tematska celina 2. Metode stabla mašinskog učenja
Naučite kako da koristite modele mašinskog učenja zasnovane na stablima za predviđanje budućih vrednosti cene akcija, kao i kako da koristite metode mašinskog učenja zasnovane na šumama za regresiju i izbor karakteristika.
Lekcija 1. Kreiranje još features-a
aktivnost 1: Kreiranje features-a iz obima trgovanja
aktivnost 2: Kreiranje features-a za označavanje svakog dana u sedmici
aktivnost 3: Ispitivanje korelacije novih features-a
Lekcija 2. Stablo odlučivanja
aktivnost 1: Oceni stablo odlučivanja
aktivnost 2: Probati sa različitim dubinama stabla
aktivnost 3: Proveriti rezultate modeliranja
Lekcija 3. Slučajne šume
aktivnost 1: Oceni slučajne šume
aktivnost 2: Podešavanje hiperparametara slučajnih šuma
aktivnost 3: Evaluiraj performanse ocenjenog modela
Lekcija 4. Značaj karakteristika i pojačavanje gradijenta
aktivnost 1: Značaj karakteristika slučajnih šuma
aktivnost 2: Model pojačavanja gradijenta
aktivnost 3: Značaj karakteristika modela pojačavanja gradijenta
Tematska celina 3. Neuronske mreže i KNN
Naučićemo kako da normalizujemo i skaliramo podatke za upotrebu u KNN i metodama neuronskih mreža. Zatim ćemo naučiti kako da koristimo KNN i regresiju neuronskih mreža za predviđanje budućih vrednosti cene akcije (ili bilo kog drugog problema regresije).
Lekcija 1. Skaliranje podataka i KNN regresija
aktivnost 1: Standardizovanje podataka
aktivnost 2: Optimalan broj suseda
aktivnost 3: Evaluiraj performanse KNN modela
Lekcija 2. Neuronske mreže
aktivnost 1: Napravite i podesite jednostavnu neuronsku mrežu
aktivnost 2: Grafički prikaži gubitke
aktivnost 3: Izmeriti performanse
Lekcija 3. Prilagođene funkcije gubitka
aktivnost 1: Prilagođena funkcija gubitka
aktivnost 2: Prilagođavanje neuronske mreže sa prilagođenom funkcijom gubitaka
aktivnost 3: Vizualizujte rezultate
Lekcija 4. Prekomerno ukljapanje i združeni modeli
aktivnost 1: Prekomerno uklapanje sa izostavljanjem delova modela
aktivnost 2: Združeni modeli
aktivnost 3: Analiza primene zdrženog modela
Tematska celina 4. Mašinsko učenje sa modernom teorijom portfolija
U ovom poglavlju ćete naučiti kako da koristite modernu teoriju portfolija (MPT) i Šarpov koeficijent za crtanje i pronalaženje optimalnih portfolija akcija. Takođe ćete koristiti mašinsko učenje za predviđanje najboljih portfolija. Na kraju, procenićete performanse portfolija predviđenih mašinskim učenjem.
Lekcija 1. Moderna teorija portfolija (MPT); efikasne granice
aktivnost 1: Uklopite tabele podataka i izračunajte povraćaj
aktivnost 2: Izračunajte kovarijanse za volatilnost
aktivnost 3: Izračunajte portfolije
aktivnost 4: Nacrtajte efikasnu granicu
Lekcija 2. Šarpov racio; karakteristike i ciljevi
aktivnost 1: Pronađite najbolji Šarpov racio
aktivnost 2: Izračunajte EWMA-ove
aktivnost 3: Kreirajte karakteristike i ciljeve
aktivnost 4: Prikažite efikasnu granicu sa najboljim Šarpovim raciom
Lekcija 3. Mašinsko učenje za MPT
aktivnost 1: Napravite predikcije sa modelom slučajnih šuma
aktivnost 2: Predikcije i prve evaluacije
aktivnost 3: Evaluirajte povraćaje
aktivnost 4: Grafički prikažite povraćaje
Tehnički detalji interaktivne obuke
Obuka je interaktivnog karaktera, jer svaki polaznik radi i unosi komande za svojim računarom, prateći predavača. Predavač (čiji je računar povezan na projektor) polako objašnjava poslovni projekat i rešava ga unoseći jednu po jednu liniju kôda u okviru pajton razvojnog okruženja. Svaka linija kôda se detaljno elaborira.
U okviru interaktivne obuke, dobićete i detaljno napisan priručnik, sa svim aktivnostima, koji su rađeni na obuci, uključujući i sve linije kôda koje ste napisali. Takođe interaktivnu obuku prati i kreirani video materijal za svaku lekciju, gde je opet detaljno objašnjeno rešavanje poslovnog projekta i elaboracija svake linije kôda. Na ovaj način bićete u stanju da potpuno razumete i savladate kako mašinsko učenje za finansije, tako i odgovarajuće komande programskog jezika pajton.
Za potrebe praćenja ove obuke potrebno je umereno znanje programskog jezika pajton. Ukoliko nemate predznanje iz programiranja u pajtonu, predlaže se da prvo odslušate sledeće dve interaktivne obuke:
Uvod u pajton za finansije, kao i
Srednji nivo pajtona za finansije.
Svaka od datih interaktivnih obuka, traje takođe po dva dana, i potkrepljena je detaljno napisanim priručnicima, kao i kvalitetnim snimljenim video materijalima.
Predavač na obuci je dr Vladimir Vasić, doktor statističkih nauka, redovni profesor na Beogradskoj bankarskoj akademiji – Fakultetu za bankarstvo, osiguranje i finansije, koji ima višedecenijsko iskustvo u rešavanju brojnih privrednih poslovnih projekata u zemlji i regionu. Predavač je 17 godina, učestvovao kao najviši istraživač (klasa A1) na projektima nacionalnog značaja na istraživanjima kvantifikacije verovatnoće difolta i izgradnje kreditnog rejtinga preduzeća. Dati projekti, finansirani od Ministarstva za nauku Srbije su: „Razvoj institucija i instrumenata hipoteke i financijskog tržišta u Srbiji“ (2006-2010) i „Rizici financijskih institucija i tržišta u Srbiji – mikroekonomski i makroekonomski pristup“ (2011-2022). Takođe, predavač je više od 15 godina vodeći konsultant, kada su u pitanju izgradnja algoritama i modela alatima data mining-a. Osim višedecenijskog iskustva u prenošenju znanja naprednog modeliranja i predikcije studentima završnih godina, predavač je i autor 25 naučnih radova objavljenih u časopisima na SCI i SSCI listi.
Prijavite se putem: linka
