Temario del curso
Introducción
- Diferencia entre aprendizaje estadístico (análisis estadístico) y aprendizaje automático
- Adopción de tecnología de machine learning y talento por parte de las empresas financieras
Comprensión de los diferentes tipos de Machine Learning
- Aprendizaje supervisado frente a aprendizaje no supervisado
- Iteración y evaluación
- Equilibrio entre sesgo y varianza
- Combinación de aprendizaje supervisado y no supervisado (aprendizaje semisupervisado)
Comprensión Machine Learning Languages y los conjuntos de herramientas
- Código abierto frente a sistemas y software propietarios
- Python vs R vs Matlab
- Bibliotecas y frameworks
Comprensión Neural Networks
Comprensión de los conceptos básicos en Finance
- Entendiendo el Trading de Acciones
- Descripción de los datos de series temporales
- Entendiendo los Análisis Financieros
Machine Learning Estudios de caso en Finance
- Generación y pruebas de señales
- Ingeniería de características
- Trading algorítmico con inteligencia artificial
- Predicciones comerciales cuantitativas
- Robo-Advisors para Portafolio Management
- Detección de riesgos Management y fraudes
- Suscripción de seguros
Manos a la obra: Python para Machine Learning
- Configuración del espacio de trabajo
- Obtención de Python bibliotecas y paquetes de aprendizaje automático
- Trabajar con Pandas
- Trabajar con Scikit-Learn
Importación de datos financieros en Python
- Usando Pandas
- Uso de Quandl
- Integración con Excel
Trabajar con datos de series temporales con Python
- Exploración de los datos
- Visualización de los datos
Implementación de Análisis Financieros Comunes con Python
- Retornos
- Ventanas Móviles
- Cálculo de Volatilidad
- Regresión de Mínimos Cuadrados Ordinarios (OLS)
Desarrollo de una estrategia de trading algorítmico utilizando Machine Learning supervisado con Python
- Entendiendo la Estrategia de Trading de Momentum
- Entendiendo la Estrategia de Trading de Reversión
- Implementación de su estrategia de trading de medias móviles simples (SMA)
Backtesting de tu Machine Learning estrategia de trading
- Trampas del backtesting de aprendizaje
- Componentes de tu Backtester
- Uso de Python herramientas de backtesting
- Implementación de su Backtester simple
Mejorando tu Machine Learning estrategia de trading
- KMeans
- K-Vecinos más cercanos (KNN)
- Árboles de clasificación o regresión
- Algoritmo genético
- Trabajar con carteras multisímbolo
- Uso de un marco de riesgo Management
- Uso de backtesting basado en eventos
Evaluando el rendimiento de su Machine Learning estrategia de trading
- Uso de la relación de Sharpe
- Cálculo de una reducción máxima
- Uso de la tasa de crecimiento anual compuesta (CAGR)
- Medición de la distribución de los rendimientos
- Uso de métricas a nivel comercial
- Resumen
Solución de problemas
Palabras finales
Requerimientos
- Experiencia básica con Python programación
- Familiaridad básica con la estadística y el álgebra lineal
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participar en el entrenamiento Kubeflow, que se llevó a cabo de forma remota. Este entrenamiento me permitió consolidar mis conocimientos sobre los servicios de AWS, K8s y todas las herramientas DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar adecuadamente el tema. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y en la orientación sobre las mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando distintas herramientas de implementación Ansible, EKS kubectl, Terraform. Ahora estoy definitivamente convencido de que me dirijo al campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática