یادگیری ماشینی برای تجارت سهام و رمز ارزها : پایتون

از تکنیک های یادگیری بدون نظارت ، تحت نظارت و تقویت استفاده کنید تا در سهام معاملاتی ، رمزنگاری ، فارکس به دست بیاورید ...

عنوان اصلی : Machine Learning Applied to Stock & Crypto Trading - Python

سرفصل های دوره :

مقدمه:
نمای اجمالی پوشه منابع
منابع و سلب مسئولیت:
منابع و سلب مسئولیت
نظریه آغازگر:
مروری کوتاه بر یادگیری ماشین
مرحله 1 - مصرف داده
مرحله 2 - مهندسی ویژگی
مرحله 3 - انتخاب مدل و آموزش
مرحله 4 - ارزیابی عملکرد
مرحله 5 - استقرار مدل
تنظیم محیط و بازیابی اطلاعات:
گزینه 1 - Google Colab
گزینه 1 - Google Colab خواندن نوت بوک های موجود
گزینه 1 - Google Colab Solution for Pandas Datareader (با YFinance)
گزینه 2 - نوت بوک هایی که پایتون و آناکوندا را نصب می کنند
گزینه 2 - نوت بوک هایی که محیط کوندا را ایجاد می کنند
پرایمر عملی:
Python 101 - متغیرها و آرایه ها
Python 101 - دیکشنری ها
Python 101 - توابع و کلاس ها
Pandas 101 - بازیابی داده ها و محاسبه بازده
Pandas 101 - استخراج ارزش، تنظیم چندگانه، ذخیره و بارگیری
آزمایش بک 101 - محاسبات و بازده استراتژی
مهندسی ویژگی 101 - پیش پردازش داده قسمت دوم
مهندسی ویژگی 101 - یادگیری ماشین کاربردی
آمار - تست بررسی کد کارایی بازار
یادگیری ماشینی بدون نظارت - مدل‌های پنهان مارکوف:
نظریه - مقدمه یادگیری ماشین بدون نظارت
نظریه - شهود مدل های پنهان مارکوف
HMM - ساختار داده اولیه
HMM - آموزش مدل
HMM - مشاهده حالت های پنهان
HMM II - ساختار داده
HMM lI - پیش‌بینی‌های مدل
HMM II - Structuring Backtest
HMM II - معیارهای اولیه
HMM II - استفاده از حالت های پنهان
HMM II - ذخیره خروجی ها
یادگیری ماشین بدون نظارت - K-Means Clustering:
نظریه - K-Means Clustering Intuition
راه اندازی K-Means
K-Means Data Extraction
مهندسی ویژگی K-Means
K-Means Applied and Visualized
K-به معنای حذف نقاط پرت است
تجارت جفت - محاسبه جفت های هم انباشته
K-Means - (اختیاری) - تجسم طرح TSNE
تجارت جفت - محاسبه اسپرد و ZScore
یادگیری بدون نظارت - تجزیه و تحلیل مؤلفه های اصلی:
نظریه - تحلیل مولفه های اصلی
PCA - استخراج داده
PCA - پیش پردازش داده ها - مدیریت ثابت
PCA - تقسیم تست قطار
PCA - تکمیل با تجسم
طبقه‌بندی تصادفی جنگل - نتایج
یادگیری بدون نظارت - خلاصه
یادگیری ماشینی تحت نظارت:
نظریه - جنگل های تصادفی در مقابل XGBOOST
پیش پردازش XGB - بلع داده ها
پیش پردازش XGB - گسترش ویژگی
پیش پردازش XGB - ایستایی
پیش پردازش XGB - تقسیم تست قطار
XGB - بهینه سازی Hyperparameter
XGB - آموزش مدل اولیه
XGB - انتخاب ویژگی
XGB II - تقسیم تست قطار
XGB II - اتصالات مدل
XGB II - ارزیابی مدل - اندازه‌گیری تلفات و ROC
XGB II - ارزیابی مدل - مقایسه عملکرد
XGB II - ارزیابی مدل - گزارش خلاصه
XGB II - ارزیابی مدل - ماتریس سردرگمی
XGB II - ارزیابی مدل - مشاهده درخت
آموزش عمیق تحت نظارت - مقدمه پایه:
نظریه - آناتومی شبکه عصبی یادگیری عمیق
یادگیری عمیق - بخش اول مهندسی ویژگی
آموزش عمیق - بخش دوم مهندسی ویژگی
یادگیری عمیق - شبکه عصبی و ساخت داده
آموزش عمیق - آموزش مدل
آموزش عمیق - (اختیاری رمز عبور) - مدل متوالی LSTM
یادگیری تقویتی:
نظریه - مبانی کامل یادگیری تقویتی
نظریه - بررسی اجمالی بهینه سازی خط مشی پروگزیمال (PPO).
RL - مراحل اول
RL - ساخت موج سینوسی
RL - متغیرهای محیطی
RL - ساختار پاداش محیطی
RL - ساختار مشاهده محیط
RL - توابع کمک کننده اقدام محیطی
RL - تابع عمل محیطی
RL - تابع مرحله محیطی
RL - بازنشانی و رندر محیط
RL - تست محیط
RL - ابزارهای کمکی
RL - حافظه PPO
RL - ساخت شبکه های عصبی بازیگر و منتقد PPO
RL - ساخت و ساز عامل PPO
RL - تست عامل PPO
RL - عامل آموزش PPO
RL - پیش بینی بار و ساختار
RL - نتایج را مشاهده کنید و معاملات Sine را خلاصه کنید
RL II - تغییر محیط و داده ها برای تجارت سهام AAPL
خلاصه دوره و مراحل بعدی:
تبریک و گام های بعدی
ضمیمه - اصول کلی تجارت:
بزرگترین توهم در تجارت
شانس احتمال - ریاضی دروغ نمی گوید
به دست آوردن مزیت با آربیتراژ آماری
اندازه موقعیت با معیار کلی
یک مزیت از ساختن بازارها
سودآوری در بازارهای بالا پایین و جانبی
مدیریت ریسک تبادل و نوسانات