Jak předpovídat ceny akcií pomocí strojového učení

Strojové učení má v odvětví financí obrovské množství využití a běžně se používá k předpovídání hodnot akcií a udržování silného akciového portfolia. Tento kurz vás naučí, jak pomocí Pythonu vypočítat technické indikátory z historických dat o akciích a vytvářet příznaky a cíle.

Rozšiřte své znalosti modelů ML

Silné predikce akcií začínají kvalitní přípravou dat. Naučíte se, jak připravit svá finanční data pro algoritmy ML a jak je začlenit do různých modelů, včetně lineárních modelů, modelů xgboost a modelů neuronových sítí.

Druhá kapitola přechází k využití rozhodovacích stromů v Pythonu pro předpovídání budoucích hodnot vašich akcií a metod strojového učení založených na lesích pro vylepšení vašich predikcí.

Druhá polovina tohoto kurzu se zaměří na to, jak škálovat vaše data pro použití v KNN a neuronových sítích, a poté tyto nástroje využijete k predikci budoucí hodnoty vaší akcie. Naučíte se vykreslovat ztráty, měřit výkon a vizualizovat výsledky svých predikcí.

Použijte Sharpeův poměr k vytvoření svého ideálního portfolia

Strojové učení vám také může pomoci najít optimální akciové portfolio. Naučíte se, jak používat moderní teorii portfolia (MPT) a Sharpeho poměr jako součást svého postupu pro predikci nejlepších portfolií. Jakmile tento kurz dokončíte, budete také rozumět tomu, jak vyhodnotit výkonnost svého portfolia předpovězeného pomocí strojového učení.

Použiješ různé reálné datové sady z NASDAQ a aplikuješ na ně osvědčené teorie a techniky, abys mohl/a vytvářet vlastní predikce a optimalizovat je podle své ochoty podstupovat riziko a rozpočtu. "

Transformace dat, příznaky a cílové hodnoty

Create Your Free Account