本章將學習機器學習如何應用在金融領域。我們也會探索部分股價資料，並將其整理成可供機器學習演算法使用的格式。最後，會訓練第一個機器學習模型——線性模型，用來預測股票未來的價格變化。

金融中的機器學習

用 EDA 探索資料

資料轉換、特徵與目標

建立移動平均與 RSI 特徵

建立特徵與目標

檢查相關性

線性建模

建立訓練與測試特徵

擬合線性模型

評估結果

資料準備與線性模型

學習如何使用以樹為基礎的機器學習模型來預測股票未來的價格數值，以及如何使用以森林為基礎的方法進行迴歸與特徵選擇。

進一步工程化特徵

從成交量做特徵工程

建立星期幾特徵

檢視新特徵的相關性

決策樹

訓練一棵決策樹

嘗試不同的 max depth

檢查結果

隨機森林

訓練一個隨機森林

調整隨機森林的超參數

評估效能

特徵重要性與梯度提升

隨機森林的特徵重要性

梯度提升模型

梯度提升的特徵重要性

Machine Learning 樹模型方法

我們將學習如何正規化與縮放資料，以用於 KNN 與神經網路方法。接著學習如何使用 KNN 與神經網路迴歸，來預測股票未來的價格數值（或任何其他迴歸問題）。

資料縮放與 KNN 迴歸

資料標準化

最佳化 n_neighbors

評估 KNN 效能

Neural Networks（神經網路）

建立並訓練一個簡單的神經網路

繪製損失值

衡量效能

自訂損失函式

使用自訂損失函式來訓練神經網路

視覺化結果

過度擬合與集成方法

用 dropout 對抗過度擬合

模型集成

看看集成模型的表現

神經網路與 KNN

在本章中，你會學到如何使用現代投資組合理論（MPT）與 Sharpe 比率來繪製並找出最佳股票投資組合。你也會用機器學習來預測最優投資組合。最後，會評估機器學習所預測投資組合的表現。

現代投資組合理論（MPT）；有效邊界

合併股票 DataFrame 並計算報酬率

為波動度計算共變異數

計算投資組合

繪製有效邊界（efficient frontier）

夏普比率；特徵與目標

取得最佳 Sharpe 比率

計算 EWMA

繪製有效邊界並標示最佳 Sharpe 比率

MPT 的機器學習

使用隨機森林進行預測

取得預測與首次評估

評估報酬

繪製報酬

結語與建議

以 Machine Learning 結合現代投資組合理論

NASDAQ: AAPL

NASDAQ: AMD

SMLV

QQQ ETF

時間序列資料無所不在；像是天氣、身為消費者與社會成員的人類行為模式，以及金融資料。在本課程中，你會學到如何從歷史股價計算技術指標，並將歷史股價轉換成特徵與目標。你會了解如何為線性模型、xgboost 模型與神經網路模型準備特徵。接著我們會使用線性模型、決策樹、隨機森林與神經網路，來預測美股的未來股價。你也會學到如何評估各種訓練模型的表現並加以最佳化，讓預測的準確度足以支撐可獲利的股票交易策略。

Supervised Learning with scikit-learn

學習使用線性模型、決策樹、隨機森林、神經網絡和現代投資組合理論在Python中建模和預測股票數據。

Python 金融 Machine Learning

Data Science Professor

現代投資組合理論（MPT）；有效前緣

有效前緣

合併資料

計算報酬

共變異數

產生投組權重

計算報酬與波動度

繪製有效前緣

計算 MPT 投資組合！

以 Machine Learning 結合現代投資組合理論 - 現代投資組合理論（MPT）；有效邊界

現代投資組合理論（MPT）；有效邊界

Create Your Free Account