ML для финансового анализа

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 Python для обработки данных. Numpy и Pandas.

Тема 2: Визуализация данных. Основные графики. mplfinance - "финансовые" графики.

Тема 3: Стадия EDA: cбор, очистка и пропуски данных.

Тема 4: Распределения случайных величин. Проверка на нормальность. Преобразование Бокса-Кокса. Основы статистики. Сравнение гипотез. А/В тесты. Стат. критерии (Хи-квадрат, Z-тест, t-тест). Аномалии в данных. Отклонения от нормальности.

Тема 5: Работа с большими объемами данных

Тема 6: Основы машинного обучения. Три парадигмы. Основные типы задач. Алгоритмы классификации: деревья, SVM. Метрики классификации.

Тема 7: Бектестинг. Backtesting, backtrader.

Тема 8: Разложение временных рядов. Фурье и Вейвлет анализ.

Тема 9: Задача регрессии. Метрики регрессии. Предсказание временных рядов.

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: индикаторы и паттерны. Создание признаков. Обогащение датасета.

Тема 2: Торговая стратегия - построение торговой стратегии на тех анализе.

Тема 3: Корреляция признаков. PCA

Тема 4: Оценка важности признаков. Переобучение моделей. Регуляризация. Подбор гиперпараметров. Кросс-валидация.

Тема 5: Ансамбли моделей. Бустинг, стекинг, блендинг. Sklearn.pipeline

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: Основы нейронных сетей. Модель нейрона, обратное распространение ошибки. Теорема Цыбенко. Полносвязная нейронная сеть.

Тема 2: Глубокие сети. ResNet.

Тема 3: Сверточные сети. ImageNet. Распространенные архитектуры сверточных сетей.

Тема 4: Задача прогнозирования: RNN, LSTM.

Тема 5: Задача прогнозирования: Transformers.

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: "LLM - Работа с текстовыми данными. BERT."

Тема 2: LLM - большие модели. Оценка тональности новостей. Модель с Huggingface

Тема 3: RL - применение

Тема 4: Построение финального ансамбля. Обучение ансамбля. Подбор гиперпараметров. Создание конвейера обучения. Контроль параметров обучения сложной модели.

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: Применение модели. Основные площадки. Московская биржа. Крипта.

Тема 2: Облачная инфраструктура.

Тема 3: Взаимодействие с моделью. Построение API. FastAPI.

Тема 4: Docker. Упаковка модели и API в контейнер. Serverless запуск в облаке.

Тема 5: Мониторинг состояния модели и текущих результатов. Prometheus+Grafana.

Тема 6: Docker compose. Разворачивание микросервисной архитектуры.

Тема 7: Оркестратор AirFlow. Контроль метрик модели и запуск цикла переобучения.

Заключительный месяц курса посвящен проектной работе. Проект – это самая интересная часть обучения. Вы будете разрабатывать его на основе полученных на курсе навыков и компетенций. В процессе работы над проектом можно получить консультацию преподавателей.

Тема 1: Курсовой проект. Постановка задачи. Особенности выполнения.

Тема 2: Консультация

Тема 3: Презентация и защита проекта