Специальная цена
ML для финансового анализа
Создайте торгового робота для автоматического проведения операций с оценкой уровня риска
24 декабря
5 месяцев
Онлайн
Пн/Ср 20:00 Мск
Для кого этот курс?
-
Специалистов по Data Scienсe и ML-инженеров, уже имеющих опыт работы с машинным обучением, но желающих углубить свои знания в области финансового анализа, временных рядов и разработки торговых ботов.
-
Программистов и разработчиков с опытом работы в финансовой сфере, которые хотят улучшить свои навыки анализа и визуализации финансовых данных для создания более эффективных решений.
- Аналитиков данных, которые работают с большими объемами данных и хотят освоить продвинутые методы обработки, визуализации и анализа, особенно в контексте финансовых данных.
Необходимые знания:
- Умение писать код на Python 3.xx (функции, классы)
- Знать, что такое виртуальное окружение
- Знать основы обработки данных в Python библиотека Pandas
- Знать, как строить классические ML модели
- Нейронные сети на PyTorch (полносвязные, сверточные, рекуррентные)
- Работать c Git
Что даст вам этот курс
Рассматриваем полный цикл создания торгового агента от сбора и очистки данных до переноса в продакшн, фокусируемся на технических аспектах и делимся опытом.
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.
Процесс обучения
Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время.
В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта. Для выполнения домашних заданий вам понадобится аккаунт на GitHub/GitLab.
После выполнения всех домашних заданий вы получите готовый выпускной проект.
Оптимальная нагрузка
Возможность совмещать учебу с работой.Эксперты
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Перспективы
Получите знания, которые помогут повысить вашу востребованность и доход.Карьерная поддержка
Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.
- Карьерные мероприятия в сообществе
Публичный разбор резюме
Публичное прохождение собеседования и воркшопы - Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеро
Формат обучения
Интерактивные вебинары
2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегда
Практика
Активное комьюнити
Программа
Введение в ML
В этом модуле мы: - вспомним базовые навыки обработки данных; - научимся строить простые модели торговых стратегий; - познакомимся с показателями эффективности торговых стратегий; - научимся тестировать эффективность торговых стратегий.
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. Основы статистики. Аномалии в данных.
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.
Технический анализ
В этом модуле мы - познакомимся с техническим анализом; - рассмотрим основные паттерны технического анализа; - познакомимся с иснтрументами для технического анализа; - поработаем с проблемой переобучения моделей и узнаем как с ней бороться с помощью регуляризации; - поговорим про уменьшение размерности данных.
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
Тема 6: Портфель, портфельные стратегии. Понятие риска.
Глубокое обучение
В этом модуле мы познакомимся с нейронными сетями и их применением к анализу финансовых активов.
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.
Продвинутые нейросети
В этом модуле мы познакомимся с продвинутыми концепциями машинного обучения, такими как большие языковые модели (LLaM) и обучение с подкреплением (Reinforcement learning) и их применением для улучшения качества торговой стратегии.
Тема 1: LLM - Работа с текстовыми данными. BERT.
Тема 2: LLM - большие модели. Оценка тональности новостей. Модель с Huggingface
Тема 3: RL - концепция, модель среды и простые модели. Фреймворк FinRL.
Тема 4: RL - применение
Тема 5: Построение финального ансамбля. Обучение ансамбля. Подбор гиперпараметров. Создание конвейера обучения. Контроль параметров обучения сложной модели.
Перенос модели в облачную среду
В этом модуле мы настроим облачную инфраструктуру, перенесем нашу модель в облачную среду и настроим мониторинг состояния модели.
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.
Финальный проект
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: Презентация и защита проекта
Тема 3: Консультация
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Проектная работа
Каждый курс завершается финальным проектом, который предстоит защитить перед преподавателями и командой. Вам будет, что обсудить на собеседовании!
Вы можете выбрать одну из предложенных преподавателем тем или реализовать свою идею.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
📍 Программа вебинара:
- Минимально необходимые основы языка python.
- Примеры финансовых данных, способов их загрузки, обработки и визуализации.
- Использование библиотек pandas и numpy для анализа финансовых данных.
👥 Для кого будет актуален:
- Для тех, кто хочет познакомиться с основными инструментами и библиотеками для анализа финансовых данных. Узнать, как использовать эти инструменты для обработки, анализа и визуализации финансовых данных;
✅ Что вы узнаете по итогам урока:
- Проведут обзор популярных инструментов и библиотек обработки финансовых данных.
- Познакомятся с основами python, pandas и numpy.
- Узнают основные приемы языка программирования и библиотек для анализа и визуализации данных.
📍 Программа вебинара:
- Работа с Yahoo Finance API через yfinance: получаем данные по акциям, индексам и ETF
- Особенности работы с российскими площадками: где брать данные, какие форматы доступны, как обрабатывать
- Практическая часть: загрузим исторические котировки и построим график движения цены
👥 Кому будет полезен вебинар:
- Студентам и начинающим аналитикам, делающим первые шаги в финансовом анализе и трейдинге
- Data Scientists, работающим с временными рядами и моделированием финансовых показателей
- Разработчикам, создающим инструменты для инвестиционного анализа или трейдинга
✅ Что вы узнаете по итогам урока:
- Как с помощью Python загружать данные с Yahoo Finance (акции, индексы, валюты, ETF)
- Какие существуют API и источники данных для российского рынка (MOEX, Тинькофф и др.)
- Как обрабатывать, визуализировать и использовать рыночные данные в ML
📍 Программа вебинара:
- Рассмотрим как преобразование Фурье превращает временной ряд в композицию из чистых частот и позволяет найти скрытые закономерности временных рядов
- Узнаем недостатки преобразования Фурье, и как Вейвлет-анализ дает нам суперсилу: видеть КОГДА и НА КАКОЙ частоте произошло ключевое событие (внезапный обвал, всплеск волатильности)
- Live-разбор на Python: как выделить сезонность, отфильтровать рыночный шум, классифицировать временные ряды
- Ответы на ваши вопросы: когда использовать Фурье, а когда Вейвлеты? Как интерпретировать полученные спектрограммы? Не превратим ли мы сложные данные в еще более сложные картинки? И главное - как это применить для реальных задач предиктивной аналитики
👥 Кому будет полезно:
- Quant-аналитикам и алгоритмическим трейдерам, которые хотят глубже понять природу рыночных данных и создавать более эффективные торговые сигналы
- Data Scientists и ML-инженерам в финансах, стремящимся создавать более качественные фичи для моделей, очищенные от шума и раскрывающие истинную структуру временного ряда
- Риск-менеджерам и финансовым аналитикам, которым нужно детектировать аномалии в реальном времени, в показателях, выраженных в форме временных рядов
- Всем, кто работает с временными рядами и хочет добавить в свой арсенал мощный и интуитивно понятный инструмент для их глубокого анализа.
✅ Что узнаете по итогам вебинара:
- Поймете философскую и математическую разницу между Фурье и Вейвлет-преобразованиями
- Научитесь «слышать» свои данные: визуализировать спектры и спектрограммы для выявления скрытых паттернов
- Сможете применять частотный анализ на Python для фильтрации шума и выделения трендов и циклов
- Узнаете, как создаваемые фичи (например, вейвлет-коэффициенты) могут повысить точность ваших ML-моделей для прогнозирования
- Получите готовые код-шаблоны и уверенность в использовании частотных методов для решения своих задач
Присоединяйтесь и научитесь слышать музыку в хаосе финансовых данных и временных рядов!
Прошедшие
мероприятия
Этот курс может оплатить ваш работодатель
- Подробно расскажем об интересующем вас курсе
- Объясним, как договориться с работодателем
- Сообщим стоимость обучения и варианты оплаты
- Ответим на вопросы
- Предоставим шаблон договора и счёт на оплату
Отзывы
Подтверждение знаний и навыков
OTUS осуществляет лицензированную образовательную деятельность. В конце обучения вы получите сертификат OTUS о прохождении курса и удостоверение о повышении квалификации.
После обучения вы:
-
Удостоверение о повышении квалификации: если вы успешно защитили выпускной проект и готовы предоставить копию документа о высшем или среднем профессиональном образовании
-
Доступ к учебным материалам курса
-
Ваш личный проект, который поможет проходить собеседования
ML для финансового анализа
Полная стоимость со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Оставьте заявку и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно