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):
-
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。
-
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。
-
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。
-
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。
-
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。
-
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。
-
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。
-
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 與 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 |