Read the Official Description

Popularność technik nauki danych, takich jak eksploracja danych i uczenie maszynowe, ogromnie wzrosła w ostatnich latach. Przedstawiają skuteczne rozwiązania do przetwarzania i analizy ogromnej ilości danych dostępnych dla menedżerów ryzyka i analityków finansowych.

Wraz z postępem w zakresie mocy obliczeniowej i przetwarzania rozproszonego możliwe jest teraz przetwarzanie - i nadawanie sensu - szerokiej gamy informacji, które można zebrać z kilku różnych źródeł danych.

Ten praktyczny program obejmuje kluczowe techniki - w tym kilka aspektów nadzorowanej i nienadzorowanej uczenia maszynowego - które mogą być wykorzystywane podczas wydobywania danych finansowych. Program koncentruje się również na zaawansowanych technikach nauki danych, które są szeroko stosowane na rynkach finansowych do analizy tekstu i sztucznej inteligencji (AI): przetwarzania języka naturalnego (NLP) i głębokiego uczenia się (DL).

Program jest realizowany w całości poprzez warsztaty i studia przypadków. Uczestnicy dowiedzą się, jak wdrażać techniki przetwarzania języka naturalnego, budując model analizy sentymentów do analizy tekstu. W części dotyczącej głębokiego uczenia się uczestnicy skoncentrują się na różnych sieciach neuronowych, które można zastosować do klasyfikacji danych, prognozowania szeregów czasowych i rozpoznawania wzorców.

Wszystkie ćwiczenia i studia przypadków są zilustrowane w języku Python, dzięki czemu możesz nauczyć się pracować z tym elastycznym, otwartym językiem programowania.

Data: 10-12 kwietnia 2019 r

Miejsce: centrum Londynu

Opłata: 1330 £ za dzień

Możesz kwalifikować się do preferencyjnych stawek. Skontaktuj się z nami, aby sprawdzić, czy Twoja firma jest członkiem Globalnego Programu LFS.


Dla kogo przeznaczony jest kurs

  • Zarządzający portfelami
  • Zarządzający ryzykiem
  • Specjaliści pragnący wprowadzić koncepcje eksploracji danych w swoich codziennych zadaniach
  • Programiści IT
  • Statystycy
  • Analitycy Quant
  • Inżynierowie finansowi
  • Konsultanci


Cele kształcenia

  • Zbuduj solidną bazę wiedzy na temat technik i narzędzi do eksploracji danych, a także ich zastosowania w branży finansowej
  • Zdobądź praktyczne doświadczenie w zakresie przetwarzania języka naturalnego i głębokiego uczenia się w finansach
  • Dowiedz się, jak zastosować język Python do eksploracji danych i ich przetwarzania oraz rozwiązywać problemy NLP i DL w świecie rzeczywistym
  • Zapoznaj się z algorytmami Sztucznej Sieci Neuronowej (ANN) i dowiedz się, jak z nich korzystać przy projektowaniu, budowaniu i rozwijaniu modeli DL


Wcześniejsza wiedza

  • Podstawowe pojęcia statystyki
  • Dobra praktyczna znajomość programu Excel
  • Nie jest wymagana żadna wcześniejsza znajomość języka Python


Konspekt szkolenia

Dzień pierwszy

Omówienie wyszukiwania danych

Określanie różnych składników eksploracji danych

  • Reguły asocjacyjne
  • Klasyfikacja a problemy regresji
  • Analiza skupień

Wizualizacja danych

  • Przegląd rozwiązań innych firm (Tableau, QlikeTech itp.) Do wizualizacji dużych zbiorów danych. Studia przypadku zostaną opracowane przy użyciu biblioteki matplotlib i sprytnie (open-source platforma do współpracy online)
  • Graficzne bazy danych: zastosowanie teorii sieci do analizy portfela i wprowadzenie do graficznych baz danych
  • Wykrycie odstające
  • Odległość Mahalanobisa

Regresja

  • OLS (zwykłe najmniejsze kwadraty)
  • Regresja grzbietu
  • Sparyity
  • Lasso
  • Elastyczna siatka

Warsztat: Opracowanie optymalnego zabezpieczenia dużego portfela akcji w realnym świecie z wykorzystaniem kontraktów terminowych. Portfel ma charakter globalny (100 akcji), ale dostępny jest tylko ograniczony zestaw kontraktów terminowych

Analiza głównych składników (PCA)

  • Analiza głównych składowych struktury terminowej stóp procentowych i zmienności implikowanych
  • Regresja głównych składników (PCR)
  • Częściowe najmniejszych kwadratów (PLS)

Warsztat: Wykorzystanie PCA do zmniejszenia wymiarów dużego zestawu danych historycznych krzywych stóp procentowych. Złożone zachowanie tej krzywej jest rozłożone na różne okresy zapadalności, a technika ta pozwala kierownikowi ds. Ryzyka na lepszy wgląd w dynamikę krzywych stóp procentowych

Klasyfikacja danych - regresja

Szacowanie gęstości kernela i klasyfikacja

  • Ocena gęstości jądra jest procedurą uczenia bez nadzoru, która prowadzi do prostej rodziny procedur dla nieparametrycznej klasyfikacji

Analiza przypadku: Wykorzystywanie jąder do wyprowadzania rozkładów prawdopodobieństwa dla danych finansowych

Klasyfikacja - część I

  • Klasyfikacja Naive Bayes: Prosta i potężna technika klasyfikacji danych

Analiza przypadku: Opracowanie prognozy Bayesa dla dużego zbioru danych zawierającego różne atrybuty banków amerykańskich. Klasyfikator Bayesa będzie użyty do oddzielenia banków, które mogą zawieść, od tych, które pozostaną rozpuszczalnikami

Klasyfikacja - część II

  • Solidne techniki eksploracji danych
  • Regresja logistyczna

Case Study: Stosowanie regresji logów do zbioru danych w świecie rzeczywistym z wysoką dokładnością

Dzień drugi

Klasyfikacja danych (cd.)

Klasyfikacja - część III

  • Drzewa klasyfikacyjne: Modelowanie w trybie CART prowadzi do łatwych w użyciu praktycznych drzew decyzyjnych
  • Koncepcja drzew decyzyjnych zostanie rozszerzona o takie techniki, jak Losowy las i pakowanie

Studium przypadku: Koncepcje takie jak funkcje kosztów, poziomy zanieczyszczeń, przycinanie drzew i walidacja krzyżowa będą szczegółowo omówione

  • K-Nearest Neighbor learning
  • Regresja logistyczna

Studium przypadku: Metody klasyfikacji (K-Nearest and CART) zostaną wprowadzone w pracy na podstawie różnych wskaźników technicznych (RSI, MACD itp.) Dużych zestawów danych finansowych z całego świata. To pokaże, w jaki sposób te klasyfikatory mogą być używane do szybkiego dzielenia zasobów w różnych zasobnikach w zależności od siły różnych atrybutów.

Warsztat: narzędzia do eksploracji danych

Wprowadzenie do Pythona - Potężny język programowania

Zastosowanie Pythona w dziedzinie analizy danych zostanie zilustrowane praktycznymi przykładami, koncentrującymi się na uczeniu maszynowym z wykorzystaniem pakietu "scikit-learn". Wszystkie przykłady zostaną omówione w notatnikach Jupytera. Uczestnicy dowiedzą się, jak tworzyć raporty niestandardowe w języku Python

Dzień trzeci

Przetwarzanie języka naturalnego

Wyciąganie realnej wartości z postów w mediach społecznościowych, obrazów, e-maili, plików PDF i innych źródeł danych niestrukturalnych to duże wyzwanie dla przedsiębiorstw.

Ta sekcja poświęcona jest aplikacji przetwarzania języka naturalnego (NLP) w celu wyodrębnienia wartości z niestrukturalnych danych. Przeanalizowanych zostanie kilka rzeczywistych przykładów badania niestrukturalnych danych w finansach - w tym analizy nastrojów dotyczących wiadomości finansowych.

Warsztat: Używanie pakietu Python NLTK do:

  • Przeglądaj i tokenize tekst za pomocą Tf-Idf i Count Vectors
  • Przewidywanie słów w tekście: budowanie predyktora słów rozpoczynającego się od tekstu; napisanie programu, który potrafi przewidzieć słowo, które następuje po danym słowie
  • Zapoznaj się z sentymentem wiadomości na temat konkretnego zasobu

Głęboka nauka

Deep Learning jako poddziedzina uczenia maszynowego - algorytmy sztucznej sieci neuronowej (ANN).

  • Wprowadzenie do głębokiego uczenia się
  • Propagacja naprzód
  • Podejście do Word2vec
  • Głębsze sieci i propagacja do przodu
  • Optymalizacja sieci neuronowej z propagacją wsteczną

Studium przypadku: Budowanie modelu Deep Learning z Pythonem (z naciskiem na pakiety Keras i Tensorflow)

Program taught in:
Język angielski

See 4 more programs offered by London Financial Studies »

Last updated January 24, 2019
Ten kurs jest Campus based
Data początkowa
Kwiec. 10, 2019
Duration
3 dni
W pełnym wymiarze godzin
Cena
3,975 GBP
1325 £ na dzień
By locations
By date
Data początkowa
Kwiec. 10, 2019
Data końcowa
Kwiec. 12, 2019
Application deadline

Kwiec. 10, 2019

Location
Application deadline
Data końcowa
Kwiec. 12, 2019

LFS Webcast series - Applying Data-Mining in Finance