Pada bab ini, kita akan mempelajari bagaimana Machine Learning dapat digunakan dalam keuangan. Kita juga akan menelusuri beberapa data saham dan menyiapkannya untuk algoritma Machine Learning. Terakhir, kita akan memasangkan model Machine Learning pertama kita—sebuah model linear—untuk memprediksi perubahan harga saham di masa depan.

Machine Learning untuk Keuangan

Eksplorasi data dengan EDA

Korelasi

Transformasi data, fitur, dan target

Buat fitur moving average dan RSI

Membuat fitur dan target

Periksa korelasi

Pemodelan linear

Buat fitur train dan test

Melatih model linear

Evaluasi hasil kita

Menyiapkan data dan model linear

Pelajari cara menggunakan model Machine Learning berbasis pohon untuk memprediksi nilai harga saham di masa depan, serta cara menggunakan metode Machine Learning berbasis hutan untuk regresi dan pemilihan fitur.

Rekayasa fitur lanjutan

Rekayasa fitur dari volume

Buat fitur hari-dalam-pekan

Periksa korelasi fitur baru

Decision tree

Melatih decision tree

Coba berbagai kedalaman maksimum

Periksa hasil kita

Random forests

Latih random forest

Menyetel hiperparameter random forest

Evaluasi kinerja

Kepentingan fitur dan gradient boosting

Pentingnya fitur pada random forest

Model gradient boosting

Feature importances pada gradient boosting

Metode pohon pada Machine Learning

Kita akan mempelajari cara menormalkan dan menskalakan data untuk digunakan dalam metode KNN dan neural network. Kemudian kita akan mempelajari cara menggunakan regresi KNN dan neural network untuk memprediksi nilai harga saham di masa depan (atau masalah regresi lainnya).

Penskalahan data dan Regresi KNN

Standarisasi data

Optimalkan n_neighbors

Evaluasi kinerja KNN

Neural Networks

Membangun dan melatih neural net sederhana

Plot loss

Ukur kinerja

Fungsi loss kustom

Melatih neural net dengan fungsi loss kustom

Visualisasikan hasilnya

Overfitting dan ensembling

Mengatasi overfitting dengan dropout

Ensembling model

Lihat kinerja ensemble

Neural network dan KNN

Pada bab ini, Anda akan mempelajari cara menggunakan teori portofolio modern (MPT) dan rasio Sharpe untuk memetakan dan menemukan portofolio saham yang optimal. Anda juga akan menggunakan Machine Learning untuk memprediksi portofolio terbaik. Terakhir, Anda akan mengevaluasi kinerja portofolio yang diprediksi oleh ML.

Teori portofolio modern (MPT); frontier efisien

Gabungkan DataFrame saham dan hitung imbal hasil

Hitung kovarians untuk volatilitas

Hitung portofolio

Plot efficient frontier

Rasio Sharpe; fitur dan target

Dapatkan rasio Sharpe terbaik

Hitung EWMA

Buat fitur dan target

Plot efficient frontier dengan rasio Sharpe terbaik

Machine Learning untuk MPT

Buat prediksi dengan random forest

Dapatkan prediksi dan evaluasi awal

Evaluasi imbal hasil

Plot imbal hasil

Penutup dan saran

Machine Learning dengan teori portofolio modern

NASDAQ: AAPL

NASDAQ: AMD

QQQ ETF

SMLV

Data deret waktu ada di sekitar kita; contohnya adalah cuaca, pola perilaku manusia sebagai konsumen dan anggota masyarakat, serta data keuangan. Dalam kursus ini, Anda akan mempelajari cara menghitung indikator teknis dari data saham historis, serta cara membuat fitur dan target dari data saham historis tersebut. Anda akan memahami cara menyiapkan fitur untuk model linear, model xgboost, dan model neural network. Selanjutnya, kita akan menggunakan model linear, decision tree, random forest, dan neural network untuk memprediksi harga saham di pasar AS pada masa mendatang. Anda juga akan mempelajari cara mengevaluasi kinerja berbagai model yang kita latih untuk mengoptimalkannya, sehingga prediksi kita memiliki akurasi yang cukup untuk membuat strategi perdagangan saham menjadi menguntungkan.

<h2>Cara Memprediksi Harga Saham dengan Machine Learning </h2>
Pembelajaran mesin memiliki banyak sekali aplikasi dalam industri keuangan dan umum digunakan untuk memprediksi nilai saham serta mempertahankan portofolio saham yang kuat. Kursus ini akan mengajarkan Anda cara menggunakan Python untuk menghitung indikator teknis dari data saham historis dan membuat fitur serta target. 
<br><br>
<h2>Bangun Pengetahuan Anda tentang Model ML </h2>
Prediksi saham yang kuat dimulai dengan persiapan data yang baik. Anda akan mempelajari cara menyiapkan data keuangan Anda untuk algoritma ML dan memasukkannya ke dalam berbagai model, termasuk model linear, model xgboost, dan model jaringan saraf. 
<br><br>
Bab kedua berlanjut ke penggunaan pohon keputusan Python untuk memprediksi nilai masa depan saham Anda, dan metode machine learning berbasis forest untuk meningkatkan prediksi Anda. 
<br><br>
Bagian kedua dari kursus ini akan membahas cara menskalakan data Anda untuk digunakan dalam KNN dan jaringan saraf sebelum menggunakan alat-alat tersebut untuk memprediksi nilai saham Anda di masa depan. Anda akan mempelajari cara memplot loss, mengukur performa, dan memvisualisasikan hasil prediksi Anda. 
<br><br>
<h2>Gunakan Rasio Sharpe untuk Membangun Portofolio Ideal Anda</h2>
Machine learning juga dapat membantu Anda menemukan portofolio saham yang optimal. Anda akan mempelajari cara menggunakan modern portfolio theory (MPT) dan rasio Sharpe sebagai bagian dari proses Anda untuk memprediksi portofolio terbaik. Setelah Anda menyelesaikan kursus ini, Anda juga akan memahami cara mengevaluasi kinerja portofolio yang diprediksi oleh machine learning Anda. 
<br><br>
Anda akan menggunakan berbagai kumpulan data dunia nyata dari NASDAQ dan menerapkan teori serta teknik yang kuat pada data tersebut sehingga Anda dapat membuat prediksi sendiri dan mengoptimalkan sesuai dengan toleransi risiko dan anggaran Anda. "

Supervised Learning with scikit-learn

Belajar memodelkan dan memprediksi data saham di Python dengan model linier, pohon keputusan, dan lainnya.

Machine Learning untuk Keuangan dengan Python

Pelajari cara memodelkan dan memprediksi nilai data saham menggunakan model linear, pohon keputusan, random forest, dan jaringan saraf.

Penskalahan data dan Regresi KNN

Create Your Free Account