以 Python 實作金融工程中的人工智慧

版主 Howard 兄,推薦一堂 AI 金融工程 課程,即將展開共同學習。

【講師優惠連結】 (講師提供,有效期限到2023年5月1日。原價 NT$2,690,優惠價 NT$1,790)

補充:課程的 VIP 內容還在 Udemy 上的期間,都不會參加 Udemy 的優惠活動。

利益宣告:本課程介紹,沒有從任何一方,獲得任何利益。

這裡是簡單的基本資料(2023年4月3日),有關課程的官方介紹,請參考 下方介紹

Financial Engineering and Artificial Intelligence in Python(連結無優惠)
類別:Development > Data Science > Financial Analysis ║ 內容:21.5 hours ║ 原價:NT$2,690
建立:2020-09-03 ║ 更新:2023-04-02 ║ 註冊:6,675人 ║ 語言:English ║ 字幕:有 ║ 評分:4.66 (1,330人)


開始介紹前,我先問了 ChatGPT,一堂好的 AI 金融工程 Python 課程,應該具備哪些內容,以下是它的回答(然後我們再來比對這次的課程內容,是否符合這些條件):

  1. 金融工程(Financial Engineering)的基礎概念:包括金融市場、金融產品、風險管理等基礎概念。

  2. Python 程式基礎:Python 是一種廣泛使用的程式語言,應該對其基本語法、數據結構、流程控制等進行深入了解。

  3. 金融市場數據分析:學習使用 Python 進行金融市場數據的收集、處理、分析和視覺化,例如使用 pandas、numpy 和 matplotlib 等庫。

  4. 金融模型的建立:學習使用 Python 建立各種金融模型,例如 Black-Scholes 期權定價模型、馬可夫鏈蒙特卡羅(MCMC)模擬等等。

  5. 機器學習在金融領域的應用:學習使用 Python 應用機器學習在金融領域,例如使用 Scikit-Learn 庫進行監督學習、非監督學習和強化學習等等。

  6. 金融風險管理:學習使用 Python 對金融風險進行評估和管理,例如價格風險、信用風險和操作風險等。

  7. 智慧投資策略:學習使用 Python 建立智慧投資策略,例如基於技術分析、基於基本面分析和基於量化分析等策略。

  8. 應用案例研究:學習使用 Python 實現具體的金融工程和機器學習應用案例,例如基於深度學習的股票價格預測、基於隨機森林的風險分析等等。
    版主 Howard 提醒:ChatGPT 這裡所提的預測股票價格,是完全錯誤的做法,正確的作法應該是預測回報。課程中講師強調:常有營銷人員,建立這種課程,教授人們錯誤的知識。)

一堂好的 AI 金融工程 Python 課程,應該是一個完整、實用且互動性強的學習體驗,幫助學生獲得實際應用的技能並解決實際問題。

(Sky 補充:標準的 ChatGPT 式回答,更換成任何主題,都不會有違和感。例如:一堂好的 插花 課程,應該是一個完整、實用且互動性強的學習體驗,幫助學生獲得實際應用的技能並解決實際問題。)


以下敘述為 ChatGPT 翻譯,人工潤飾。

以 Python 實作金融工程中的人工智慧

金融分析、時間序列分析、組合優化、CAPM、演算法交易、Q-Learning 等更多內容。

本課程中,你將學到

  • 預測股票價格和股票收益

  • 時間序列分析

  • Holt-Winters 指數平滑模型

  • ARIMA 模型

  • 有效市場假設

  • 隨機漫步假設

  • 探索性資料分析

  • Alpha 和 Beta

  • 股票收益的分佈和相關性

  • 現代投資組合理論

  • 平均-方差優化

  • 有效邊界、夏普比率、觸發組合

  • 資本資產定價模型(CAPM)

  • Q-Learning 用於算法交易


學生需求

  • 良好的 Python 程式技能

  • Numpy、Matplotlib、Pandas 和 Scipy(加贈免費教學!)

  • 矩陣算術

  • 機率


課程介紹

您曾想過,如果將 機器學習和人工智慧的力量金融工程 相結合,會發生什麼嗎?

今天,您可以停止想像,開始行動。

本課程將教授您金融工程的核心基礎知識,並加入機器學習的技巧。

我們將涵蓋金融工程中必須知道的話題,例如:

  • 探索性數據分析、顯著性測試、相關性、α 和 β

  • 時間序列分析、簡單移動平均線、指數加權移動平均線

  • 霍爾特-溫特斯指數平滑模型

  • ARIMA 和 SARIMA

  • 有效市場假說

  • 隨機行走假說

  • 時間序列預測(“股價預測”)

  • 現代投資組合理論

  • 有效前緣/馬科威茨(Markowitz)彈道

  • 平均方差優化

  • 最大化夏普比率

  • 線性規劃和二次規劃的凸優化

  • 資本資產定價模型(CAPM)

  • 算法交易(僅限 VIP)

  • 統計因子模型(僅限 VIP)

  • 利用隱藏馬可夫模型檢測制度(僅限 VIP)

此外,我們還將研究純粹來自機器學習和人工智慧領域的各種非傳統技術,例如:

  • 回歸模型

  • 分類模型

  • 非監督學習

  • 強化學習和 Q-learning

*** VIP 專屬單元(趁機把握!)***

  • 算法交易(趨勢跟蹤、機器學習和基於 Q-learning 的策略)

  • 統計因子模型

  • 使用 HMM 檢測制度並建立波動率聚類模型

我們將學習過去十年中,市場營運行銷人員以《機器學習專家》自居所犯下的最大錯誤,他們承諾教授不知情的學生如何《使用 LSTM 預測股價》。您將學會為什麼他們的方法從根本上是錯誤的,而且他們的結果是完全無稽的。這是如何在金融領域中不應該應用人工智慧的一課。

身為機器學習、深度學習、數據科學和人工智慧約 30 個課程的作者,我不能不闖入浩瀚而複雜的金融工程世界。

本課程適合任何熱愛金融或人工智慧的人,特別是如果您兩者都熱愛!

無論您是學生、專業人士還是想提升自己職業生涯的人,本課程都適合您。

感謝您閱讀,期待在課堂上見到您!


建議先決條件

  • 矩陣運算

  • 概率

  • 適當的Python編程技能

  • Numpy、Matplotlib、Scipy和 Pandas(免費教學)

應該按什麼順序學習課程?

  • 請查看《Machine Learning and AI Prerequisite Roadmap》機器學習和人工智慧先決條件路線圖(講師任何課程的 FAQ 中,包括免費的Numpy課程)

Deep Learning Prerequisites: The Numpy Stack in Python V2
類別:Development > Data Science > Deep Learning ║ 內容:2 hours ║ 原價:Free
建立:2020-05-06 ║ 更新:2022-12-01 ║ 註冊:49,581人 ║ 語言:English ║ 字幕:有 ║ 評分:4.44 (2,762人)

您也可以觀看講師在 YouTube 的播放列表,內容同上。

獨特功能

  • 每行程式都有詳細解釋-如有不同想法,可隨時透過電子郵件與我討論

  • 不像其他課程,浪費許多時間觀看講師「打字」-說實話,沒有人可以在短短 20 分鐘內從零開始寫出值得學習的程式

  • 無需害怕大學程度的數學-了解其他課程所忽略的演算法重要細節

誰需要本課程:

  • 熱愛或想學習金融工程的任何人

  • 想在金融或人工智慧和機器學習方面,職場中再上一層的學生和專業人士


回到一開始的問題,您覺得本課程符合 ChatGPT 所說的要件嗎?

要回答這個問題,就得看看課程內容細節:

課程內容 時間
Welcome - 4 lectures 21min
Introduction and Outline 06:38
Scope of the course 03:48
How to Practice 05:39
Warmup (Optional) 04:46
Getting Set Up - 4 lectures 32min
Get Your Hands Dirty, Practical Coding Experience, Data Links 08:33
How to use Github & Extra Coding Tips (Optional) 11:12
Where to get the code, notebooks, and data 03:23
How to Succeed in This Course 08:42
Financial Basics - 31 lectures 3hr 25min
Financial Basics Section Introduction 05:32
Getting Financial Data 07:21
Getting Financial Data (Code) 07:16
Understanding Financial Data 05:05
Understanding Financial Data (Code) 12:08
Dealing with Missing Data 05:58
Dealing with Missing Data (Code) 07:01
Returns 09:15
Adjusted Close, Stock Splits, and Dividends 11:30
Adjusted Close (Code) 03:49
Back to Returns (Code) 07:21
QQ-Plots 05:29
QQ-Plots (Code) 07:19
The t-Distribution 03:55
The t-Distribution (Code) 08:07
Skewness and Kurtosis 07:34
Confidence Intervals 10:28
Confidence Intervals (Code) 02:16
Statistical Testing 14:18
Statistical Testing (Code) 07:08
Covariance and Correlation 08:16
Covariance and Correlation (Code) 05:56
Alpha and Beta 06:55
Alpha and Beta (Code) 08:09
Mixture of Gaussians 06:41
Mixture of Gaussians (Code) 06:13
Volatility Clustering 03:03
Price Simulation 03:04
Price Simulation (Code) 02:34
Financial Basics Section Summary 02:21
Suggestion Box 03:10
Time Series Analysis - 31 lectures 4hr 59min
Time Series Analysis Section Introduction 06:52
Efficient Market Hypothesis 11:17
Random Walk Hypothesis 14:25
The Naive Forecast 06:45
Simple Moving Average (Theory) 04:17
Simple Moving Average (Code) 08:41
Exponentially-Weighted Moving Average (Theory) 11:07
Exponentially-Weighted Moving Average (Code) 11:05
Simple Exponential Smoothing for Forecasting (Theory) 10:13
Simple Exponential Smoothing for Forecasting (Code) 10:24
Holt’s Linear Trend Model (Theory) 07:55
Holt’s Linear Trend Model (Code) 03:11
Holt-Winters (Theory) 11:20
Holt-Winters (Code) 08:00
Autoregressive Models - AR(p) 12:51
Moving Average Models - MA(q) 03:31
ARIMA 10:45
ARIMA in Code (pt 1) 20:25
Stationarity 12:20
Stationarity Code 09:50
ACF (Autocorrelation Function) 10:10
PACF (Partial Autocorrelation Funtion) 06:55
ACF and PACF in Code (pt 1) 08:26
ACF and PACF in Code (pt 2) 07:03
Auto ARIMA and SARIMAX 09:41
Model Selection, AIC and BIC 09:52
ARIMA in Code (pt 2) 14:39
ARIMA in Code (pt 3) 16:21
ACF and PACF for Stock Returns 07:35
Forecasting 09:14
Time Series Analysis Section Conclusion 04:12
Portfolio Optimization and CAPM - 22 lectures 2hr 40min
Portfolio Optimization Section Introduction 03:35
The S&P500 02:46
What is Risk? 07:03
Why Diversify? 08:28
Describing a Portfolio (pt 1) 09:51
Describing a Portfolio (pt 2) 06:30
Visualizing Random Portfolios and Monte Carlo Simulation (pt 1) 13:07
Visualizing Random Portfolios and Monte Carlo Simulation (pt 2) 15:07
Maximum and Minimum Portfolio Return 09:35
Maximum and Minimum Portfolio Return in Code 04:59
Mean-Variance Optimization 07:26
The Efficient Frontier 07:23
Mean-Variance Optimization And The Efficient Frontier in Code 09:13
Global Minimum Variance (GMV) Portfolio 01:56
Global Minimum Variance (GMV) Portfolio in Code 02:14
Sharpe Ratio 08:01
Maximum Sharpe Ratio in Code 06:35
Portfolio with a Risk-Free Asset and Tangency Portfolio 09:52
Risk-Free Asset and Tangency Portfolio in Code 02:16
Capital Asset Pricing Model (CAPM) 12:26
Problems with Markowitz Portfolio Theory and Robust Estimation 09:13
Portfolio Optimization Section Conclusion 02:25
VIP: Algorithmic Trading - 9 lectures 1hr 6min
Algorithmic Trading Section Introduction 02:55
Trend-Following Strategy 13:14
Trend-Following Strategy in Code (pt 1) 08:27
Trend-Following Strategy in Code (pt 2) 09:38
Machine Learning-Based Trading Strategy 07:53
Machine Learning-Based Trading Strategy in Code 09:25
Classification-Based Trading Strategy in Code 03:40
Using a Random Forest Classifier for Machine Learning-Based Trading 05:00
Algorithmic Trading Section Summary 05:56
VIP: The Basics of Reinforcement Learning - 12 lectures 1hr 57min
Reinforcement Learning Section Introduction 06:34
Elements of a Reinforcement Learning Problem 20:18
States, Actions, Rewards, Policies 09:24
Markov Decision Processes (MDPs) 10:07
The Return 04:56
Value Functions and the Bellman Equation 09:53
What does it mean to “learn”? 07:18
Solving the Bellman Equation with Reinforcement Learning (pt 1) 09:49
Solving the Bellman Equation with Reinforcement Learning (pt 2) 12:04
Epsilon-Greedy 06:09
Q-Learning 14:15
How to Learn Reinforcement Learning 05:56
VIP: Reinforcement Learning for Algorithmic Trading - 5 lectures 52min
Trend-Following Strategy with Reinforcement Learning API 12:33
Trend-Following Strategy Revisited (Code) 09:14
Q-Learning in an Algorithmic Trading Context 07:39
Representing States 07:27
Q-Learning for Algorithmic Trading in Code 15:33
VIP: Statistical Factor Models and Unsupervised Machine Learning - 4 lectures 1hr 2min
Statistical Factor Models (Beginner) 15:41
Statistical Factor Models (Intermediate) 10:09
Statistical Factor Models (Advanced) 19:50
Statistical Factor Models (Code) 16:13
VIP: Regime Detection and Sequence Modeling with Hidden Markov Models - 5 lectures 1hr 10min
Why Sequence Models? (pt 1) 14:06
Why Sequence Models? (pt 2) 12:14
HMM Parameters 09:26
HMM Tasks and the Viterbi Algorithm 15:15
HMM for Modeling Volatility Clustering in Code 18:38
Course Summary and Common Questions - 9 lectures 1hr 7min
Final Thoughts and Course Summary 06:10
Creating Your Personalized Trading Strategy 14:01
Applying This Course 08:30
Trading APIs and Deploying Your Strategy in the Real World 05:53
High Frequency Trading (HFT) 03:54
The Importance of Data 09:14
Why do I have to learn statistics to learn finance? 10:37
Get a Plug-and-Play Trading Bot Without Math 05:11
Slippage and Bid-Ask Spread 03:16
VIP: Finance Enthusiasts, Beware of Marketers! 02:03
Setting Up Your Environment FAQ2 lectures** 38min
Anaconda Environment Setup 20:20
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow 17:30
Extra Help With Python Coding for Beginners FAQ - 3 lectures 38min
How to Code by Yourself (part 1) 15:54
How to Code by Yourself (part 2) 09:23
Proof that using Jupyter Notebook is the same as not using it 12:29
Effective Learning Strategies for Machine Learning FAQ - 4 lectures 1hr
How to Succeed in this Course (Long Version) 10:24
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced? 22:04
Machine Learning and AI Prerequisite Roadmap (pt 1) 11:18
Machine Learning and AI Prerequisite Roadmap (pt 2) 16:07
Appendix / FAQ Finale - 2 lectures 8min
What is the Appendix? 02:48
BONUS 05:31
1個讚

Sky 兄,請教一下這個意思是 VIP 內容會消失嗎?感謝~

是的,以目前價格購買的朋友,可以看到這些內容。

未來課程推出時間較久以後,會拿掉 VIP 內容,開始參加 udemy 特惠活動。

在那之後,講師會透過轉換的方式,提供以目前價格購買的朋友,在他的網站觀看這些內容。

@Howard 請 Howard 兄指導,看有沒有需要修正的地方。感謝!

2個讚

講師課程的完整VIP政策請參考這篇: How do VIP courses work? - Lazy Programmer
其實根據我的經驗,就算Udemy的VIP期還沒結束一樣可以申請在他的平台訪問課程,不過因為這會導致講師需要做一些額外的工作,所以如果對不止一門課程有興趣,可能購入多門課程以後再申請在他的平台訪問/升級比較好。事實上時間序列分析的課程我預計也是採用這位講師的課程,第一次會前會時會再說明。

1個讚