Plan Szkolenia

Sztuczna inteligencja w handlu i krajobrazie aktywów

  • Trendy w handlu algorytmicznym i opartym na sztucznej inteligencji
  • Przegląd procesów finansów ilościowych
  • Kluczowe narzędzia, platformy i źródła danych

Praca z danymi finansowymi w Python

  • Obsługa danych czasowych za pomocą Pandas
  • Oczyszczanie, transformacja i inżynieria cech danych
  • Wskaźniki finansowe i budowanie sygnałów

Supervised Learning dla sygnałów handlowych

  • Modele regresji i klasyfikacji do przewidywania rynku
  • Ocena modeli predykcyjnych (np. dokładność, precyzja, współczynnik Sharpe'a)
  • Studium przypadku: budowanie generatora sygnałów opartych na ML

Unsupervised Learning i reżimy rynkowe

  • Klastryzowanie dla reżimów zmienności
  • Redukcja wymiarowości dla odkrywania wzorców
  • Zastosowania w handlu koszykowym i grupowaniu ryzyka

Optymalizacja portfela z zastosowaniem technik sztucznej inteligencji

  • Ramy Markowitza i ich ograniczenia
  • Parytet ryzyka, Black-Litterman, i optymalizacja oparta na ML
  • Dynamiczne ponowne zbilansowanie z przewidywanymi wejściami

Backtesting i ocena strategii

  • Używanie Backtrader lub niestandardowych ram
  • Wskaźniki wydajności dostosowane do ryzyka
  • Unikanie przeuczenia i błędu przodzenia

Wdrażanie modeli AI w handlu na żywo

  • Integracja z API handlu i platformami wykonywania
  • Monitorowanie modeli i cykle ponownego trenowania
  • Uwagi etyczne, regulacyjne i operacyjne

Podsumowanie i następne kroki

Wymagania

  • Zrozumienie podstaw statystyki i rynków finansowych
  • Doświadczenie z programowaniem Python
  • Znajomość danych czasowych

Grupa docelowa

  • Analitycy kwantowi
  • Profesjonaliści z zakresu handlu
  • Menedżerowie portfeli
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie