北大科创园「机器学习与量化投资研讨班」开班了

2022-08-25 20:26 分类:龙8游戏官网 来源:admin

html模版北大科创园「机器学习与量化投资研讨班」开班了

随着云计算、大数据、人工智能等新一代信息技术的成熟,近年来,越来越多的金融机构将“机器学习,自然语言处理,知识图谱”等AI技术应用于量化投资,人工智能与金融量化投资的深度融合将是必然趋势。

「机器学习与量化投资研讨班」由具有AI金融量化交易实操经验的北大AI团队主讲,内容涵盖AI金融大数据处理与AI量化交易的全流程,以AI智能量化交易应用为主轴,着重数据搜集、整理、分类分析、因子挖掘、策略生成和模型建立等AI技能的学习。

诡谷子AI开放实验室凝聚了北大、南科大和知名基金公司等一批业内精英,诚邀与您一道共建AI应用生态圈。

本次活动安排:

本次活动以线下式举行,名额有限(每班15人),咨询请关注微信公众号:

诡谷子人工智能开放实验室。

本次活动组织:

指导单位:

北京大学深圳研究生院、深圳市科学技术协会、深圳市科技创新委员会、深圳市人力资源和社会保障局、深圳市工业和信息化局、宝安区科技创新局、宝安区人力资源局、宝安区工业和信息化局

主办单位:

北大科创园

承办单位:

诡谷子人工智能开放实验室

支持单位:

深港澳科技联盟、广东省粤港澳合作促进会信息科技专业委员会

「机器学习与量化投资研讨班」研讨内容

第一部分:机器学习与深度学习

AI机器学习

1.1机器学习方法介绍

1.2回归(线性回归、非线性回归、时序回归、逻辑回归)

1.3线性区分、PCA

1.4贝叶斯估计

1.5kNN、k-Means、

1.6极大似然估计

1.7支持向量机SVM、

1.8Adaboost

1.9决策树

1.10随机森林

1.11GDBT

1.12XGBoost

深度学习网络

2.1图像的卷积运算

2.2激活函数、代价函数、池化

2.3损失函数

2.4梯度下降、

2.5自适应学习方法

2.6最简单的卷积神经网络Lenet介绍

2.7Alexnet, VGG, Googlenet,ResNet

2.8GAN

2.9RNN

2.10LSTM

2.11Transformer

2.12Swin-Transformer

AI开发环境Pytorch2.1环境搭建

2.2张量(Tensor)、变量(Variable)、模块(Module)

2.3数据加载、数据处理

2.4建立模型、训练

2.5多GPU训练

第二部分金融大数据量化交易的IT系统

涵盖金融大数据与AI量化交易的全流程(Pipeline), 即

(1)数据获取与预处理 ?> (2)策略生成与验证 ?> (3)真实上线交易

1.数据获取与预处理

1.1数据资源:

Tushare数据库、免费开源python财经数据库

新浪财经

网易财经

国家统计局宏观数据

公司财务数据

1.2数据种类:

价格数据

文本数据(新闻,论坛)

宏观经济数据

公司财务数据

公司公告

1.3数据获取方式

python爬虫

通信达下载

1.4数据预处理

使用python pandas

数据清洗

生成时间序列

生成dataframe

数据可视化

2.策略生成与验证

Pipeline: 交易方式 ->,亚美优惠多一些; 建模 ?> 回测与优化 -> 风险分析与控制-> 上线

2.1交易方式

趋势预测

均值回归

事件驱动

2.2建模

ARMA模型

LSTM

Transformer

因子分析

2.3回测与优化

事件驱动型回测系统

资产组合型回测

基于事件驱动型回测系统的代码剖析

财务数据分析模型

2.4风险控制

分散投资

对冲

止损

相关性分析

策略性能的评判

参数优化

预防过拟合

2.5期货交易

CTA策略

套利和统计套利策略

高频交易

alpha因子组合

alpha中性策略(配对交易策略)

宏观经济策略

价值投资策略

模型的生命周期:诞生 ?> 运转 ?> 失效 -> 退出

一个策略实现的例子

3.交易系统

3.1交易结构

交易所主机

中间商服务器

本地程序

交易账户

交易所API交易接口

市场的收盘及开盘时间

交易规则

报价及盘口

实时行情及交易委托

3.2市场的交易种类

股票和股权

中国内地A股两个交易所的交易规则

账户管理

结算方式

3.3期货和期货合约

中国内地4个期货交易所的交易规则,账户管理,和结算方式

证券监管的体制

手续费和滑点

如何处理滑点

各个交易所手续费收取方式

交易程序平台

多线程结构

实时行情数据处理

交易委托单处理

3.4交易监控

防止异常bug导致损失

监控前端的开发

交易performance分析

交易记录的统计分析

业绩评估

异常状况分析

策略失效分析

4.其他事项

机器的选择:

4.1 策略基于实时数据做出买卖决定,网络的可靠性至关重要

4.2 国内云主机的选择:阿里云,腾讯云

第三部分 AI在量化交易中的应用

1.机器学习原理

AI的发展现状与趋势

机器学习与深度学习

2.机器学习算法在量化交易中的应用使用XGBOOST对价格走势做出预测

使用线性回归做股票价格的相关性分析(python 实现)

3.深度学习

Pytorch工具的掌握

用pandas做数据分析

使用RNN 和 LSTM预测价格

使用GAN进行策略可靠性的验证

4.文本分析

4.1 NLP&BERT

4.2公司发出的公告进行量化

4.3使用AI算法验证公告内容对其股票价格走势的影响

5.一篇使用深度学习建模交易的paper的实现