Jak przewidywać ceny akcji za pomocą uczenia maszynowego

Uczenie maszynowe ma ogromną liczbę zastosowań w branży finansowej i jest powszechnie wykorzystywane do prognozowania wartości akcji oraz utrzymywania silnego portfela akcji. Ten kurs nauczy Cię, jak używać Pythona do obliczania wskaźników technicznych na podstawie historycznych danych giełdowych oraz tworzenia cech i zmiennych docelowych.

Rozwijaj swoją wiedzę o modelach ML

Dobre prognozy giełdowe zaczynają się od solidnego przygotowania danych. Nauczysz się, jak przygotować swoje dane finansowe do algorytmów ML i dopasować je do różnych modeli, w tym modeli liniowych, modeli xgboost oraz modeli sieci neuronowych.

Drugi rozdział przechodzi do wykorzystania drzew decyzyjnych w Pythonie do przewidywania przyszłych wartości Twojej akcji oraz metod uczenia maszynowego opartych na lasach, aby ulepszyć Twoje prognozy.

Druga połowa tego kursu pokaże Ci, jak skalować dane do wykorzystania w KNN i sieciach neuronowych, a następnie użyć tych narzędzi do przewidywania przyszłej wartości Twoich akcji. Nauczysz się, jak wykreślać straty, mierzyć wydajność i wizualizować wyniki swoich prognoz.

Wykorzystaj wskaźnik Sharpe’a, aby zbudować swój idealny portfel

Uczenie maszynowe może również pomóc Ci znaleźć optymalny portfel akcji. Nauczysz się, jak wykorzystywać nowoczesną teorię portfela (MPT) oraz wskaźnik Sharpe’a jako część procesu przewidywania najlepszych portfeli. Po ukończeniu tego kursu będziesz też rozumieć, jak oceniać wyniki swojego portfela przewidywanego przez machine learning.

Wykorzystasz różnorodne rzeczywiste zbiory danych z NASDAQ i zastosujesz do nich solidne teorie oraz techniki, aby móc tworzyć własne prognozy i optymalizować je pod kątem swojej tolerancji ryzyka oraz budżetu. "

Przekształcenia danych, cechy i wartości docelowe

Create Your Free Account