Hoe je aandelenkoersen voorspelt met machine learning

Machine learning heeft talloze toepassingen binnen de financiële sector en wordt vaak gebruikt om aandelenkoersen te voorspellen en een sterk aandelenportfolio te behouden. In deze cursus leer je hoe je met Python technische indicatoren berekent op basis van historische aandelengegevens en hoe je hiermee features en targets maakt.

Vergroot je kennis van ML-modellen

Sterke aandelenvoorspellingen beginnen met een goede gegevensvoorbereiding. Je leert hoe je je financiële data voorbereidt voor ML-algoritmen en hoe je deze toepast op verschillende modellen, waaronder lineaire modellen, xgboost-modellen en neurale netwerkmodellen.

Het tweede hoofdstuk gaat verder met het gebruik van Python-beslissingsbomen om toekomstige waarden van je aandeel te voorspellen, en forest-gebaseerde machine learning-methoden om je voorspellingen te verbeteren.

In het tweede deel van deze cursus leer je hoe je je data schaalt voor gebruik in KNN en neurale netwerken, voordat je deze tools inzet om de toekomstige waarde van je aandeel te voorspellen. Je leert hoe je verliezen kunt plotten, prestaties kunt meten en je voorspellingen kunt visualiseren.

Gebruik de Sharpe-ratio om jouw ideale portefeuille samen te stellen

Machine learning kan je ook helpen om het optimale aandelenportefeuille te vinden. Je leert hoe je de moderne portefeuilletheorie (MPT) en de Sharpe-ratio gebruikt om de beste portefeuilles te voorspellen. Zodra je deze cursus hebt afgerond, weet je ook hoe je de prestaties van je machine learning-voorspelde portefeuille kunt evalueren.

Je gaat aan de slag met verschillende echte datasets van NASDAQ en past krachtige theorieën en technieken toe, zodat je zelf voorspellingen kunt maken en kunt optimaliseren op basis van jouw risicobereidheid en budget.

Sharpe-ratio's; features en targets

Create Your Free Account