ML для финансового анализа

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.

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.

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.

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.

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.

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