课程介绍：
在本课程中，您将学习使用 Python 编程语言进行证券金融分析。使用与金融问题相关的库并学习如何安装和设置它们。
您将了解金融领域的各种知识，例如：
- 从 Yahoo Finance 和 Quandl 获取数据
- 改变频率
- 可视化时间序列数据
- 创建烛台图表
- 计算布林带并测试买入/卖出策略
- 为 TA 构建交互式仪表板
- 使用指数平滑方法和 ARIMA 类模型对时间序列进行建模
- 使用 ARIMA 类模型进行预测
- 用 Python 实现资本资产定价模型
- 在 Python 中实现 Fama-French 三因子模型、在资产组合上滚动三因子模型以及四因子和五因子模型
- 用 ARCH 和 GARCH 模型解释股票收益的波动性
- 实现多变量波动率预测的 CCC-GARCH 模型
- 使用 DCC-GARCH 预测条件协方差矩阵
- 使用几何布朗运动模拟股票价格动态
- 使用模拟为欧式期权定价
- 使用最小二乘蒙特卡罗法为美式期权定价并使用 Quantlib 为其定价
- 使用蒙特卡罗估算风险价值
- 评估基本 1/n 投资组合的表现
- 使用蒙特卡罗模拟和 scipy 优化寻找有效边界
- 用机器学习识别信用违约
- 加载数据和管理数据类型
- 探索性数据分析
- 将数据拆分为训练集和测试集
- 处理缺失值
- 编码分类变量
- 拟合决策树分类器
- 实现 scikit-learn 的管道
- 研究高级分类器
- 使用堆叠提高性能
- 调查特征重要性
- 研究处理不平衡数据的不同方法
- 贝叶斯超参数优化
- 使用网格搜索和交叉验证调整超参数
- 金融深度学习
- 表格数据的深度学习
- 用于时间序列预测的多层感知器
- 用于时间序列预测的卷积神经网络
- 用于时间序列预测的循环神经网络
还有许多其他情况…
您将能够在 Python 中实现所有这些问题。
编码的所有步骤都是一步一步地教授的，所有的代码都将提供给你在你的项目和文章中使用。
本课程对象
金融分析师
股票市场和加密货币交易员
数据分析师
数据科学家
Python 开发人员
金融领域的学生和研究人员
您将学到什么
金融数据和预处理：探索金融数据与机器学习任务中常用的其他类型的数据有何不同。您将能够使用所提供的功能从多个来源（例如 Yahoo Finance 和 Quandl）下载财务数据并对其进行预处理以进行进一步分析。最后，您将学习如何调查数据是否符合资产回报的程式化事实。
Python 中的技术分析：演示了技术分析的一些基础知识以及如何在 Python 中快速创建优雅的仪表板。您将能够从一些最常用的指标（例如 MACD 和 RSI）中得出一些关于出现的模式的见解。
Time Series Modeling：Time Series Modeling，介绍了时间序列建模的基础知识（包括时间序列分解和统计平稳性）。然后，我们看看两种最广泛使用的时间序列建模方法——指数平滑方法和 ARIMA 类模型。最后，我们提出了一种使用 Facebook Prophet 库中的加法模型对时间序列进行建模的新方法。
多因素模型：向您展示如何在 Python 中估计各种因素模型。我们从最简单的单因子模型开始，然后解释如何估计更高级的三、四和五因子模型。
使用 GARCH 类模型对波动率建模：向您介绍使用 (G)ARCH 类模型进行波动率预测的概念、如何选择最佳拟合模型以及如何解释您的结果。
金融中的蒙特卡罗模拟：向您介绍蒙特卡罗模拟的概念以及如何使用它们来模拟股票价格、欧/美期权的估值以及计算 VaR。
Python 中的资产分配：介绍现代投资组合理论的概念，并向您展示如何在 Python 中获得有效前沿。然后，我们看看如何识别特定的投资组合，例如最小方差或最大夏普比率。我们还将向您展示如何评估此类投资组合的表现。
使用机器学习识别信用违约：展示了一个使用机器学习来预测信用违约的案例。您将了解最先进的分类算法，学习如何调整模型的超参数，并处理数据不平衡的问题。
金融中的高级机器学习模型：向您介绍一系列高级分类器（包括堆叠多个模型）。此外，我们还研究了如何处理类不平衡、使用贝叶斯优化进行超参数调整以及从模型中检索特征重要性。
Deep Learning in Finance：演示如何使用深度学习技术处理时间序列和表格数据。
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz
Language: English | Size: 5.85 GB | Duration: 20h 57m
