Для кого этот курс? ML инженеры и разработчики, которые интересуются финансовым анализом и хотят развиваться этой области Финансовые аналитики, которые хотят начать использовать машинное обучение в своей работе Необходимые знания: базовое знакомство с Python; базовые знания линейной алгебры, математического анализа, математической статистики; базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия, простые нейросети). По итогам курса курса вы: научитесь основам финансового анализа и принципам биржевой торговли; познакомитесь со специальными понятиями финансового анализа, научитесь анализировать различные финансовые инструменты, оценивать риски и формировать оптимальный портфель; создадите торгового робота, который будет проводить операции автоматически, оценивая приемлемый уровень риска; узнаете как разместить торгового робота на облачной платформе для взаимодействия с реальными биржевыми площадками; настроите торгового робота на мониторинг и регулярное переобучение по актуальным данным. Программа: Введение в финансовые рынки и машинное обучение В этом модуле вы познакомитесь с основными понятиями. Вспомните Python и поймёте, как его можно применять для финансового анализа. Вспомните основы машинного обучения и поймёте его применение в финансах. Вспомните основы статистики и временных рядов. Познакомитесь с инструментами анализа финансовых данных. Тема 1: Введение в финансовые рынки и основные понятия Тема 2: Основы машинного обучения и его применение в финансах Тема 3: Основы статистики и временных рядов в анализе финансов Тема 4: Инструменты анализа финансовых данных Тема 5: Практическое введение в Python для финансового анализа // ДЗ Технический анализ финансовых рынков В этом модуле вы познакомитесь с основами технического анализа. Рассмотрите паттерны и стратегии технического анализа. Поймёте, как интегрировать технический анализ с методами машинного обучения. Построите первую модель на основе технического анализа и оцените её эффективность. Тема 1: Введение в технический анализ: графики и индикаторы Тема 2: Паттерны и стратегии технического анализа Тема 3: Интеграция технического анализа с методами машинного обучения Тема 4: Применение технического анализа к различным классам активов Тема 5: Оценка и сравнение эффективности технического анализа // ДЗ Подготовка данных и признаковая инженерия В этом модуле вы познакомитесь с методами сбора, очистки и визуализации финансовых данных. Поймёте, как работать с большими объёмами данных. Изучите преобразование и создание признаков. Тема 1: Сбор и очистка финансовых данных Тема 2: Визуализация финансовых данных Тема 3: Управление отсутствующими данными и аномалиями Тема 4: Работа с большими объемами данных в финансах Тема 5: Преобразование данных и создание признаков // ДЗ Моделирование и стратегии на финансовых рынков В этом модуле вы рассмотрите основы классификации и регрессии в финансовых приложениях. Вспомните особенности моделирования временных рядов и прогнозирования цен активов. Познакомитесь со стратегиями торговли и оптимизации портфеля с использованием ML. Рассмотрите особенности работы с высокочастотными данными. Тема 1: Основы классификации и регрессии в финансовых приложениях Тема 2: Моделирование временных рядов в прогнозировании цен Тема 3: Стратегии торговли и оптимизация портфеля с использованием ML Тема 4: Работа с высокочастотными данными в финансах Тема 5: Применение регуляризации и оптимизации в финансовых моделях // ДЗ Глубокое обучение и практические аспекты В этом модуле вы вспомните, как строить и обучать глубокие нейронные сети. Научитесь применять нейронные сети в анализе финансовых рынков. Построите и обучите нейросетевую модель на основе технического и фундаментального анализа. Тема 1: Введение в глубокое обучение и нейронные сети Тема 2: Применение нейронных сетей в анализе финансовых рынков Тема 3: Этические и регуляторные аспекты применения ML в финансах Тема 4: Создание и обучение глубоких моделей в Python Тема 5: Продвинутые методы глубокого обучения для анализа финансов // ДЗ Сложные модели торгового агента и перенос обучения в production В этом модуле вы рассмотрите дополнительный функционал, предоставляемый нам LLM и RL-моделями. Соберёте ансамбль из нескольких моделей для повышения точности. Перенесёте модели в облачную среду. Тема 1: LLM - модели Тема 2: RL - модели Тема 3: Сборка финального ансамбля // ДЗ Тема 4: Перенос модели в облачную среду // ДЗ Тема 5: Метрики модели и регулярное переобучение Продажник
