Складчина: ML для финансового анализа (2025) [Otus] [Игорь Стурейко, Александр Андреянков, Кирилл Бухтеев]
Создайте торгового робота для автоматического проведения операций с оценкой уровня риска
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.
- 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
- Знания, полученные на курсе, помогут вам автоматизировать процессы покупки и продажи отдельных инструментов для получения наибольшей прибыли в текущих рыночных условиях.
- Рассматриваем полный цикл создания торгового агента от сбора и очистки данных до переноса в продакшн, фокусируемся на технических аспектах и делимся опытом.
- 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.
1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. Финальный проект
Преподаватели:
Игорь Стурейко, Александр Андреянков, Кирилл Бухтеев, Николай Романенков, Алексей Кисляков, Сергей Доронин, Михаил Лебедев,
Цена 82800 руб
Скрытая ссылка