發(fā)帖
雷達(dá)卡
華爾街傳奇人物詹姆斯·西蒙斯(James Simons)運(yùn)作的大獎(jiǎng)?wù)禄?Medallion)在1989-2009的二十年間，平均年收益率為35%，若算上44%的收益提成，則該基金實(shí)際的年化收益率可高達(dá)60%，比同期標(biāo)普500指數(shù)年均回報(bào)率高出20多個(gè)百分點(diǎn)。
難能可貴的是，縱然是在次貸危機(jī)全面爆發(fā)的2008年，該基金的投資回報(bào)率仍可穩(wěn)穩(wěn)保持在80%左右的驚人水準(zhǔn)。
西蒙斯通過將數(shù)學(xué)模型和投資策略相結(jié)合，逐步走上神壇，開創(chuàng)了由他扛旗的量化時(shí)代。
量化投資，就是利用計(jì)算機(jī)技術(shù)并且采用一定的數(shù)學(xué)模型去實(shí)踐投資理念，實(shí)現(xiàn)投資策略的過程。
價(jià)值投資和趨勢(shì)投資（技術(shù)分析）是引領(lǐng)過去一個(gè)世紀(jì)的投資方法，隨著計(jì)算機(jī)技術(shù)的發(fā)展，已有的投資方法和計(jì)算機(jī)技術(shù)相融合，產(chǎn)生了量化投資。
常用的量化投資的工具有R/MATLAB/Python，各有利弊，選擇Python的優(yōu)勢(shì)在于：
首先，開放，各種平臺(tái)可以用，開源各種分析工具包，時(shí)間系列，機(jī)器學(xué)習(xí)等都方便。文件處理，網(wǎng)絡(luò)，數(shù)據(jù)庫(kù)對(duì)接都很容易。
其次，有不同的開源包或者接口支持不同的功用，性能不是問題。
再次，Python已成為人工智能時(shí)代成為流行的語言之一。
更簡(jiǎn)單，更通用，能做更多的事情，
這也是本次量化投資現(xiàn)場(chǎng)培訓(xùn)選擇Python授課的主要原因：
Python機(jī)器學(xué)習(xí)與量化投資
時(shí)間：2019年5月24-27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
地點(diǎn)：北京市海淀區(qū)廠洼街3號(hào)丹龍大廈/上海市培訓(xùn)教室
學(xué)費(fèi)：5000元 / 4200元 (僅限全日制在讀本科生及碩士生優(yōu)惠價(jià))；食宿自理
我要報(bào)名
講師介紹：
蔡立耑（Terry Tsai），美國(guó)伊利諾伊大學(xué)金融碩士，華盛頓大學(xué)經(jīng)濟(jì)學(xué)碩士、博士，在國(guó)內(nèi)外如美國(guó)、韓國(guó)有豐富的授課經(jīng)驗(yàn)。帶領(lǐng)博、碩士生從事投資決策、金融衍生品、風(fēng)險(xiǎn)分析、交易策略等領(lǐng)域的研究。經(jīng)管之家資深量化投資講師。
親身實(shí)踐各種金融應(yīng)用，主持研究團(tuán)隊(duì)與臺(tái)灣知名大學(xué)與企業(yè)合作開展各種金融研究，例如量化投資、風(fēng)險(xiǎn)分析等。在統(tǒng)計(jì)套利、金融大數(shù)據(jù)等領(lǐng)域有豐富的操作經(jīng)驗(yàn)與授課經(jīng)驗(yàn)。帶領(lǐng)的量化投資研究團(tuán)隊(duì)用多種編程語言實(shí)現(xiàn)了統(tǒng)計(jì)套利以及風(fēng)險(xiǎn)管理自動(dòng)化程序。
課程介紹：
人工智能與機(jī)器學(xué)習(xí)對(duì)交易與投資產(chǎn)生巨大影響。交易領(lǐng)域的人工智能應(yīng)用，大多藉由機(jī)器學(xué)習(xí)來鍳別，分析資產(chǎn)價(jià)格變化的特征或因子，以利于構(gòu)建盈利的交易策略。本課程將系統(tǒng)性介紹常用機(jī)器學(xué)習(xí)方法在股市的應(yīng)用。
課程大綱：
Python 基本介紹（一天）
1. Python對(duì)象類型
2. Python 常用語句和語法
3. Python函數(shù)
Python數(shù)據(jù)分析（一天）
1. Numpy程序庫(kù)與多維數(shù)組
2. Pandas與時(shí)間序列數(shù)據(jù)
3. Matplotlib數(shù)據(jù)可視化
機(jī)器學(xué)習(xí)與量化交易（兩天）
機(jī)器學(xué)習(xí)是從看似無序的數(shù)據(jù)中分析規(guī)律，識(shí)別可能具代表性的模式，再藉以對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。
而股市具有大數(shù)據(jù)特征，應(yīng)用機(jī)器學(xué)習(xí)方法從海量的股市數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律，預(yù)測(cè)未來發(fā)展趨勢(shì)，對(duì)于降低投資風(fēng)險(xiǎn)與增進(jìn)決策效率顯然有重要的意義。
本課程擬介紹如何應(yīng)用下列的機(jī)器學(xué)習(xí)方法來預(yù)測(cè)股市，并分析不同方法的效能。
1. 邏輯回歸
1.1 邏輯回歸基本概念
1.2 二元分類與邏輯回歸模型
1.3 多類別邏輯回歸
1.4 邏輯回歸的案例分析
2. 機(jī)器學(xué)習(xí)算法：線性判別分析（LDA）和 二次判別分析（QDA）
2.1 判別分析的基本定義
2.2 線性判別分類器與二次判別分類器的理論模型
2.3 構(gòu)造判別分析分類器的具體操作步驟
2.4 LDA與QDA 金融案例分析
3. 支持向量機(jī)
3.1 支持向量機(jī)基本概念
3.2 支持向量機(jī)的原理
3.3 線性可分與非線性可分支持向量機(jī)
3.4 核函數(shù)
3.5 支持向量機(jī)與金融數(shù)據(jù)分類
4. 聚類與統(tǒng)計(jì)套利
4.1 時(shí)間序列的基本概念
4.2 配對(duì)交易的思想與實(shí)現(xiàn)
4.3 聚類演算法的介紹與應(yīng)用
5. 隨機(jī)森林
5.1 決策樹
5.2 隨機(jī)森林的基本概念與演算法
5.3 隨機(jī)森類算法的獨(dú)特優(yōu)勢(shì)
5.4 隨機(jī)森林的應(yīng)用：股票市場(chǎng)
6. 人工神經(jīng)網(wǎng)路(ANN)與深度神經(jīng)網(wǎng)絡(luò)(DNN)
6.1 人工神經(jīng)網(wǎng)絡(luò)的緣起
6.2 神經(jīng)元與激活函數(shù)
6.3 人工神經(jīng)網(wǎng)絡(luò)
6.4 反向傳播算法
6.5 深度神經(jīng)網(wǎng)絡(luò)
6.6 人工神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)的金融市場(chǎng)應(yīng)用分析
7. 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
7.1 卷積神經(jīng)網(wǎng)絡(luò)的基本想法
7.2 卷積層
7.3 池化層
7.4 全連接層
7.5 卷積神經(jīng)網(wǎng)絡(luò)的整體架構(gòu)及其變形架構(gòu)
7.6 CNN與股票預(yù)測(cè)
8. 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）
8.1 遞歸神經(jīng)網(wǎng)絡(luò)的基本框架
8.2 Backpropagation Through Time（BPTT) 算法
8.3 RNN與CNN對(duì)股票預(yù)測(cè)的對(duì)比分析
8.4 長(zhǎng)短期記憶模型LSTM和GRU 網(wǎng)絡(luò)
8.5 RNN, LSTM和GRU模型對(duì)股票預(yù)測(cè)的對(duì)比分析
報(bào)名流程：
1：點(diǎn)擊“我要報(bào)名”，網(wǎng)上填寫信息提交；
2：給予反饋，確認(rèn)報(bào)名信息；
3：網(wǎng)上訂單繳費(fèi)；
4：開課前一周發(fā)送課程電子版講義，軟件準(zhǔn)備及交通住宿指南。
優(yōu)惠：
現(xiàn)場(chǎng)班老學(xué)員9折優(yōu)惠；
同一單位三人以上同時(shí)報(bào)名9折優(yōu)惠；
以上優(yōu)惠不疊加。
聯(lián)系方式：
魏老師
QQ：1143703950
Tel：010-68478566
Mail：vip@pinggu.org
提升卡
置頂卡
沉默卡
變色卡
搶沙發(fā)
千斤頂
顯身卡
京公網(wǎng)安備 11010802022788號(hào)
