Курс «ML для финансового анализа»

Актуальная программа курса (41 модулей, по данным школы)

1. Модуль 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.
2. • Введение в Python для обработки данных. Numpy и Pandas.
3. • Визуализация данных. Основные графики. mplfinance - "финансовые" графики.
4. • Стадия EDA: cбор, очистка и пропуски данных.
5. • Распределения случайных величин. Основы статистики. Аномалии в данных.
6. • Работа с большими объемами данных
7. • Основы машинного обучения. Три парадигмы. Основные типы задач. Алгоритмы классификации: деревья, SVM. Метрики классификации.
8. • Бектестинг. Backtesting, backtrader.
9. • Разложение временных рядов. Фурье и Вейвлет анализ.
10. • Задача регрессии. Метрики регрессии. Предсказание временных рядов.
11. Модуль 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.
12. • Введение в технический анализ: индикаторы и паттерны. Создание признаков. Обогащение датасета.
13. • Торговая стратегия - построение торговой стратегии на тех анализе.
14. • Корреляция признаков. PCA
15. • Оценка важности признаков. Переобучение моделей. Регуляризация. Подбор гиперпараметров. Кросс-валидация.
16. • Ансамбли моделей. Бустинг, стекинг, блендинг. Sklearn.pipeline
17. • Портфель, портфельные стратегии. Понятие риска.
18. Модуль 3. Глубокое обучение — В этом модуле мы познакомимся с нейронными сетями и их применением к анализу финансовых активов.
19. • Основы нейронных сетей. Модель нейрона, обратное распространение ошибки. Теорема Цыбенко. Полносвязная нейронная сеть.
20. • Глубокие сети. ResNet.
21. • Сверточные сети. ImageNet. Распространенные архитектуры сверточных сетей.
22. • Задача прогнозирования: RNN, LSTM.
23. • Задача прогнозирования: Transformers.
24. Модуль 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.
25. • LLM - Работа с текстовыми данными. BERT.

Кем вы сможете работать

Сравнение с похожими курсами других школ

Стоит ли идти на этот курс

Когда этот курс вам не нужен

Курс не нужен, если вы уже применяете ML-модели в финансовом анализе на уровне middle или выше — скорее всего, новизны будет мало. Тем, кому нужен только один инструмент — скажем, временные ряды или кредитный скоринг, — узкий онлайн-курс или документация закроют задачу быстрее и дешевле.

Как выбрать курс по этому направлению

Выбирая курс по аналитике с ML, смотрите прежде всего на практическую часть: есть ли реальные наборы финансовых данных, проектная работа или только тренировочные датасеты из учебников. Второй вопрос — обратная связь: проверяют ли код и модели живые эксперты или только автотесты. Третье — стек: курс должен давать инструменты, которые реально используются в финансовых компаниях (Python, pandas, sklearn, возможно специализированные библиотеки для временных рядов).

Частые вопросы