CQF第五模块的课程内容主要是学习更多金融机器学习的方法。从无监督学习、深度学习和神经网络开始,我们将进入自然语言处理和强化学习。
CQF学员们将学习理论框架,但更重要的是,分析实际案例研究,探索如何在金融中使用这些技术。
1、无监督学习|
K均值聚类
自组织地图
HAC和SOM的优缺点
金融应用
2、无监督学习II
维度效应
t分布随机邻居嵌入(t-SNE)
均匀流形逼近和投影(UMAP)
自编码器
金融应用
3、深度学习和神经网络
什么是人工神经网络和深度学习?
感知器模型,反向传播
神经网络架构:前馈、循环、长短期记忆、卷积、生成对抗
金融应用
4、自然语言处理
预处理
词向量化,Word2Vec
深度学习和NLP工具
金融应用:情绪变化与远期回报;标准普尔500指数的情绪变化趋势;收益电话分析。
代码示例
5、强化学习I
Recap of multi-armed bandit
开发-探索权衡
探索策略:softmax与epsilon-greedy
强化学习中的风险敏感性
6、强化学习II
强化学习案例研究
算法交易的应用
在自动化做市中的应用
7、基于人工智能的算法交易策略
使用Python和Pandas进行基本财务数据分析
从金融时间序列创建特征和标签数据以进行市场预测
机器学习分类算法在预测市场走势中的应用
基于预测的算法交易策略的向量化回测
算法交易策略的风险分析
8、金融的实用机器学习案例研究
资产价格行为和波动率建模
具有估计漂移和扩散函数的经验SDE
广义Stoch Vol模型,从数据中学习动态模型
使用机器学习的期权定价和对冲
奇异期权的模型免费定价
使用机器学习进行稳健的投资组合优化
去噪和消除协方差矩阵
嵌套集群优化
9、金融中的量子计算
定义量子计算
回顾量子计算的三个关键要素:量子位、量子门和量子电路
列举量子计算在各个领域的一些应用
使用IBM Quantum Experience在线构建简单的量子电路
了解如何使用Python模块Qiskit编写自己的量子程序
回顾量子计算的一些金融应用,特别是欧洲看涨期权
以上便是《CQF第五模块课程内容都有哪些?》的全部内容,部分内容来源自网络,如有版权问题请联系2355960815@qq.com删除。