Eksploracja danych

London Financial Studies

Opis programu

Przeczytaj oficjalny opis

Eksploracja danych

London Financial Studies

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 używane 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: 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 ciągów tekstowych. W części poświęconej głębokiemu uczeniu się uczestnicy skoncentrują się na budowie i testowaniu sieci neuronowej, aby rozwiązać problem finansowy za pomocą Pythona.

Większość ćwiczeń i studiów przypadków jest zilustrowana w języku Python, dzięki czemu możesz nauczyć się pracować z tym elastycznym językiem programowania.

Data: 21-23 listopada 2018 r

Miejsce: centrum Londynu

Opłata: 1325 £ 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)

Ta szkoła oferuje programy z:
  • Język angielski


Ostatnia aktualizacja August 9, 2018
Czas trwania i cena
Ten kurs jest Na kampusie
Start Date
Data rozpoczęcia
Kwiec. 10, 2019
Listop. 2019
Duration
Czas trwania
3 dni
W pełnym wymiarze godzin
Price
Cena
3,975 GBP
1325 £ na dzień
Locations
Wielka Brytania - London, England
Data rozpoczęcia : Kwiec. 10, 2019
Termin nadsyłania zgłoszeń Skontaktuj się ze szkołą
Data zakończenia Kwiec. 12, 2019
Data rozpoczęcia : Listop. 2019
Termin nadsyłania zgłoszeń Skontaktuj się ze szkołą
Data zakończenia Skontaktuj się ze szkołą
Dates
Kwiec. 10, 2019
Wielka Brytania - London, England
Termin nadsyłania zgłoszeń Skontaktuj się ze szkołą
Data zakończenia Kwiec. 12, 2019
Listop. 2019
Wielka Brytania - London, England
Termin nadsyłania zgłoszeń Skontaktuj się ze szkołą
Data zakończenia Skontaktuj się ze szkołą
Filmy

LFS Webcast series - Applying Data-Mining in Finance