Cum să prezici prețurile acțiunilor cu machine learning

Învățarea automată are un număr foarte mare de aplicații în industria financiară și este folosită în mod obișnuit pentru a prezice valorile acțiunilor și pentru a menține un portofoliu de acțiuni solid. Acest curs te va învăța cum să folosești Python pentru a calcula indicatori tehnici din date istorice despre acțiuni și pentru a crea caracteristici și ținte.

Construiește-ți cunoștințele despre modelele ML

Previziunile solide ale acțiunilor încep cu o pregătire bună a datelor. Vei învăța cum să pregătești datele tale financiare pentru algoritmi ML și să le integrezi în diverse modele, inclusiv modele liniare, modele xgboost și modele de rețele neuronale.

Al doilea capitol trece la utilizarea arborilor de decizie Python pentru a prezice valorile viitoare ale acțiunii tale și la metode de machine learning bazate pe păduri pentru a-ți îmbunătăți predicțiile.

A doua jumătate a acestui curs va acoperi cum să scalezi datele pentru utilizare în KNN și rețele neuronale, înainte de a folosi aceste instrumente pentru a prezice valoarea viitoare a acțiunii tale. Vei învăța cum să reprezinți pierderile, să măsori performanța și să vizualizezi rezultatele predicțiilor tale.

Folosește raportul Sharpe pentru a-ți construi portofoliul ideal

Învățarea automată te poate ajuta, de asemenea, să găsești portofoliul optim de acțiuni. Vei învăța cum să folosești teoria modernă a portofoliului (MPT) și raportul Sharpe ca parte a procesului tău pentru a prezice cele mai bune portofolii. După ce vei finaliza acest curs, vei înțelege și cum să evaluezi performanța portofoliului tău prezis de machine learning.

Vei folosi o varietate de seturi de date reale de la NASDAQ și vei aplica asupra lor teorii și tehnici solide, astfel încât să poți crea propriile predicții și să optimizezi în funcție de apetitul tău pentru risc și de bugetul tău. "

Ratiouri Sharpe; caracteristici și ținte

Create Your Free Account