Read the Official Description

Populariteten för datavetenskapstekniker som data mining och maskininlärning har växt enormt de senaste åren. De presenterar effektiva lösningar för att bearbeta och analysera den enorma mängd data som finns tillgängliga för riskhanterare och finansiella analytiker.

Med framstegen i datakraft och distribuerad bearbetning är det nu möjligt att bearbeta - och göra det meningsfullt - en stor mängd information som kan samlas in från flera olika datakällor.

Detta hands-on-program omfattar viktiga tekniker - inklusive flera aspekter av övervakad och obesvarad maskininlärning - som kan användas vid gruvdrift av finansiella data. Programmet fokuserar också på avancerad datavetenskapsteknik som används allmänt på finansmarknaderna för textanalys och artificiell intelligens (AI): Natural Language Processing (NLP) och Deep Learning (DL).

Programmet levereras helt genom workshops och fallstudier. Deltagarna kommer att lära sig hur man genomför naturliga språkbehandlingsmetoder genom att bygga en känslighetsanalysmodell för att analysera text. I den djupa inlärningssektionen kommer deltagarna att fokusera på de olika neurala nätverk som kan sättas på jobbet för dataklassificering, prognos för tidsserier och mönsterigenkänning.

Alla övningar och fallstudier illustreras i Python, så att du kan lära dig hur du arbetar med detta flexibla, öppna källprogramsspråk.

Datum: 10 - 12 april 2019

Plats: Central London

Avgift: £ 1330 per dag

Du kan vara berättigad till förmånliga priser. Vänligen kontakta oss för att kontrollera om ditt företag är medlem i LFS Global Client Program.


Vem kursen är för

  • Portföljförvaltare
  • Riskhanterare
  • Professionella som vill introducera data-miningskoncept i sina dagliga uppgifter
  • IT-utvecklare
  • statistiker
  • Kvantanalytiker
  • Finansingenjörer
  • konsulter


Lärandemål

  • Bygg en solid kunskapsbas om data miningstekniker och verktyg, liksom deras tillämpning på finansbranschen
  • Få praktisk erfarenhet av naturliga språkbehandling och djupt lärande inom ekonomi
  • Lär dig hur du applicerar Python till datautvinning och bearbetning, och för att lösa verkliga NLP- och DL-problem
  • Få en förståelse för algoritmer för konstgjorda neurala nätverk (ANN) och hur man använder dem för att designa, bygga och utveckla DL-modeller


Förhandskunskap

  • Grundläggande begrepp om statistik
  • Bra kunskap om Excel
  • Ingen tidigare kunskap om Python krävs


Kursplan

Dag ett

Översikt över datautvinning

Utarbeta de olika komponenterna i data mining

  • Sammanslutningsregler
  • Klassificering vs regressionsproblem
  • Clustering analys

Datavisualisering

  • Översikt över lösningar från tredje part (Tableau, QlikeTech, etc.) för visualisering av stora datamängder. Fallstudier kommer att utarbetas med hjälp av matplotlib-biblioteket och en plattform (open-source online data-samarbetsplattform)
  • Grafiska databaser: tillämpa nätverksteori för portföljanalys och introduktion till grafiska databaser
  • Outlier detektering
  • Mahalanobis Avstånd

regression

  • OLS (vanliga minsta kvadrater)
  • Ridge regression
  • Gleshet
  • Lasso
  • Elastiskt nät

Workshop: Utarbeta den optimala säkringen av en stor verklig aktieportfölj med hjälp av terminer. Portföljen har en global karaktär (100 aktier), men endast en begränsad uppsättning terminer är tillgängliga

Huvudkomponentanalys (PCA)

  • Huvudkomponentanalys av termens struktur av räntor och implicita volatiliteter
  • Huvudkomponentregression (PCR)
  • Partiella minsta kvadrater (PLS)

Workshop: Använda PCA för att minska dimensioneringen av en stor dataset av historiska räntekurvor. Den här kurvens komplexa beteende sprids över olika löptider och den här tekniken gör det möjligt för en riskchef att få en mycket bättre uppfattning om dynamiken i räntekurvorna

Dataklassificering - Regression

Kärnpunktens beräkning och klassificering

  • Uppskattning av kärnämnesdensitet är ett oövervakat inlärningsförfarande, vilket leder till en enkel familj av förfaranden för icke parametrisk klassificering

Fallstudie: Använda kärnor för att härleda sannolikhetsfördelningar för finansiella data

Klassificering - Del I

  • Naive Bayes klassificering: En enkel och kraftfull teknik för att klassificera data

Fallstudie: Utarbeta en Bayes-predictor för en stor dataset som innehåller olika attribut hos amerikanska banker. Bayes klassificeringsmedel kommer att användas för att skilja de banker som sannolikt kommer att misslyckas från dem som kommer att förbli lösningsmedel

Klassificering - Del II

  • Robust datautvinningsteknik
  • Logistisk tillbakagång

Fallstudie: Applicera loggregression på en real-world dataset med hög dimensionering

Andra dagen

Dataklassificering (forts.)

Klassificering - Del III

  • Klassificeringsträd: CART-modellering leder till enkla att använda praktiska beslutsträd
  • Begreppet besluts träd utökas med tekniker som Random Forest och Bagging

Fallstudie: Begrepp som kostnadsfunktioner, orenhetsnivåer, trädbeskärning och korsvalidering kommer att hanteras i detalj

  • K-Närmaste grannlärning
  • Logistisk tillbakagång

Fallstudie: Klassificeringsmetoderna (K-Nearest och CART) kommer att sättas på arbetet med olika tekniska indikatorer (RSI, MACD, etc.) av stora uppsättningar av verkliga finansiella data. Detta kommer att illustrera hur dessa klassificatorer kan användas för att partitionera lager i olika hinkar beroende på styrkan hos olika attribut på ett snabbt sätt

Workshop: Data mining verktyg

En introduktion till Python - Ett kraftfullt programmeringsspråk

Användbarheten av Python inom dataanalysens område kommer att illustreras genom praktiska exempel med fokus på maskininlärning med hjälp av paketet "scikit-learn". Alla exempel kommer att omfattas av Jupyter-anteckningsböcker. Delegater kommer att lära sig hur man bygger egna rapporter i Python

Dag tre

Naturlig språkbehandling

Att extrahera verkligt värde från sociala medier, bilder, e-post, PDF-filer och andra källor till ostrukturerad data är en stor utmaning för företagen.

Det här avsnittet ägnas åt tillämpningen av Natural Language Processing (NLP) för att extrahera värdet från ostrukturerad data. Flera verkliga exempel på att undersöka ostrukturerad data i ekonomi - inklusive sentimentanalys av finansiella nyheter - kommer att undersökas.

Workshop: Använda NLTK-paketet Python till:

  • Utforska och symbolisera en text med hjälp av Tf-Idf och Count Vectors
  • Förutse ord i en text: bygga ett ordsprog som startar från en text; skriver ett program som kan förutsäga ordet som följer ett visst ord
  • Förstå känslan av en nyhet på ett visst lager

Djup lärning

Deep Learning som ett delområde för maskininlärning - Algoritmer för konstgjorda neurala nätverk (ANN).

  • Introduktion till djupt lärande
  • Framåtförökning
  • Word2vec-tillvägagångssätt
  • Djupare nätverk och framdrivning
  • Optimera neuralt nätverk med bakåtförökning

Fallstudie: Bygga en Deep Learning-modell med Python (med fokus på Keras och Tensorflow-paket)

Program taught in:
Engelska

See 4 more programs offered by London Financial Studies »

Last updated January 24, 2019
Denna kurs är Campus based
Startdatum
Apr. 10, 2019
Duration
3 dagar
Heltid
Pris
3,975 GBP
£ 1325 per dag
Deadline
By locations
By date
Startdatum
Apr. 10, 2019
Slutdatum
Apr. 12, 2019
Application deadline

Apr. 10, 2019

Location
Application deadline
Slutdatum
Apr. 12, 2019

LFS Webcast series - Applying Data-Mining in Finance