cda

全国校区

您的位置:首页 > CDA发布 > Python机器学习与量化投资

Python机器学习与量化投资

2019-04-02

量化投资需要把数据、策略、系统、执行四个方面综合起来完成一个有机的整体。你用了这些学科的知识去构建一个数理模型,一个投资决策模型,这是一个相对客观和理性的系统,是可以被应用于投资的第一步到最后一步的。


Python,MongoDB:
Python核心量化工具:Numpy/Scipy/Matplotlib/Pandas

Mongodb:关系型数据库(nosql ),属于文档型数据库,在适量级的内存的Mongodb的性能是非常迅速的。


基本面选股与择时判断买卖点:

对于股票市场,量化投资主要包括量化选股、量化择时、算法交易、股票组合配置、资金或仓位管理、风险控制等。

选股的目标是从市场上所有可交易的股票中,筛选出适合自己投资风格的、具有一定安全边际的股票候选集合,通常称为“股票池”,并可根据自己的操作周期或市场行情变化,不定时地调整该股票池,作为下一阶段择时或调仓的基础。

量化选股的依据可以是基本面,也可以是技术面,或二者的结合。

择时的目标是确定股票的具体买卖时机,其依据主要是技术面。取决于投资周期或风格(例如中长线、短线,或超短线),择时策略可以从比较粗略的对股票价位相对高低位置的判断,到依据更精确的技术指标或事件消息等作为信号来触发交易动作。

一般来说,择时动作的产生可以基于日K线(或周K线),也可以基于日内的小时或分钟级别K线,甚至tick级的分时图等。


神经网路与深度学习在量化交易中的应用:

深度学习机器学习的一个新的领域,它基于多层神经网络对数据中的高级抽象进行建模,其动机在于建立、模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据。从市场微观结构的角度来说,股票价格的形成和变化是由买卖双方的交易行为决定的,对高频市场行情数据利用深度学习方法进行挖掘可以获得对未来股票价格走势有预测能力的模式。


一次4天学习上述全部内容:

Python机器学习与量化投资

时间:2019年5月1-4日 (四天) 北京, 6月6-9日 (四天) 上海    
安排:上午9:00-12:00;下午1:30-4:30;答疑4:30-5:00
地点:
北京市海淀区厂洼街3号丹龙大厦/上海市培训教室
学费:5000元 / 4200元 (仅限全日制在读本科生及硕士生优惠价);食宿自理
我要报名

讲师介绍:

蔡立耑(Terry Tsai),美国伊利诺伊大学金融硕士,华盛顿大学经济学硕士、博士,在国内外如美国、韩国有丰富的授课经验。带领博、硕士生从事投资决策、金融衍生品、风险分析、交易策略等领域的研究。

生长于台湾,求学于美国,在台湾的信息与金融业担任高级顾问,不仅拥有扎实的金融理论基础,而且具备广阔的国际视野与前沿的研究理念!经管之家资深量化投资讲师。

亲身实践各种金融应用,主持研究团队与台湾知名大学与企业合作开展各种金融研究,例如量化投资、风险分析等。在统计套利、金融大数据等领域有丰富的操作经验与授课经验。带领的量化投资研究团队用多种编程语言实现了统计套利以及风险管理自动化程序。


课程介绍
人工智能与机器学习对交易与投资产生巨大影响。交易领域的人工智能应用,大多藉由机器学习来鍳别,分析资产价格变化的特征或因子,以利于构建盈利的交易策略。本课程将系统性介绍常用机器学习方法在股市的应用。

课程大纲:

Python 简介(一天)

1. Python对象类型

2. Python 常用语句和语法

3. Python函數


Python数据分析(一天)

1. Numpy程序库与多维数组

2. Pandas与数据处理

3. Matplotlib数据可视化


机器学习与量化交易(两天)

机器学习是从看似无序的数据中分析规律,识别可能具代表性的模式,再藉以对未知数据进行预测。

而股市具有大数据特征,应用机器学习方法从海量的股市数据中发现潜在规律,预测未来发展趋势,对于降低投资风险与增进决策效率显然有重要的意义。

本课程拟介绍如何应用下列的机器学习方法来预测股市,并分析不同方法的效能。

1. 逻辑回归

2. 线性判别分析

3. 二次判别分析

4. 随机森林

5. 支持向量机

6. 神经网路

7. 深度学习


报名流程:

1:点击“我要报名”,网上填写信息提交;
2:给予反馈,确认报名信息;
3:网上订单缴费;
4:开课前一周发送课程电子版讲义,软件准备及交通住宿指南。


优惠:

现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;

以上优惠不叠加。


联系方式:

魏老师

QQ:28819897142881989714  

Tel:010-68478566

Mail:vip@pinggu.org

完 谢谢观看

分享
收藏

OK