Сайт использует сервис веб-аналитики Яндекс Метрика с помощью технологии «cookie». Пользуясь сайтом, вы даете согласие на использование данной технологии.
🚀 Освойте навыки количественного анализа с Quant Guild 📅 Встречайтесь со мной лично 📈 Interactive Brokers для алгоритмической торговли 👾 Присоединяйтесь к Discord-серверу Quant Guild здесь / discord ______________________________________________________ 🪐 Jupyter Блокнот *TL; Краткое содержание DW* Данные — это нефть XXI века, моделям нужны данные для обучения чему угодно Все модели обучаются, минимизируя расстояние между некоторым прогнозом и наблюдаемой целевой целью. Другие признаки, доступные до события, которое мы пытаемся предсказать, используются для обоснования прогноза модели. Мы всегда можем переобучить или недообучить модель. Мы используем разделение на обучение/валидацию/тестирование, чтобы гарантировать надёжное обучение нашей модели, а также можем эмулировать показатели производительности вне выборки на невидимом тестовом наборе. Наши модели эффективны ровно настолько, насколько стабильна среда, мы эффективно обучаемся на основе ожиданий. В случайных (фиксированное распределение популяции) или достаточно стабильных (например, распознавание лиц) пространствах мы можем обучить модель один раз, и этого может быть достаточно надолго. Когда же распределение популяции нестабильно и демонстрирует сильную нестационарность, например, цены акций или доходность, мы не можем напрямую применять эти модели. Нейронные сети — популярная модель для эффективного обучения этим ожиданиям, поскольку они являются универсальным аппроксиматором функций. Нейронные сети — это *просто функции*, параметризованные весовыми матрицами, а оптимальные матрицы обучаются в процессе обучения. Существует множество моделей в этом контексте: от генеративных моделей для обучения целевого, равномерно изменяющегося во времени n-мерного распределения до нелинейного снижения размерности, классификации изображений и моделирования языка. В количественных финансах мы применяем эти модели для различных задач регрессии и классификации. Выше мы видели простой пример обучения функционала Блэка-Шоулза, но мы можем применить эту методологию к более сложным моделям для повышения эффективности калибровки, управления рисками портфеля и даже генерации сигналов для количественной торговли. Надеюсь, вам понравилось! Роман ___________________________________________ 📖 Главы: 00:00 - Квантовые модели строят 03:25 - Общая структура моделей обучения 05:40 - Пример: максимальное расстояние броска 08:56 - Как обучаются машины 11:07 - Визуализация машинного обучения 14:55 - Недообучение, переобучение и робастные модели 18:16 - Как обучить робастную модель 21:21 - Почему не существует прогнозов 25:21 - Почему модели не могут обучиться ценам акций 29:33 - Введение в нейронные сети 32:39 - Теорема об универсальной аппроксимации 35:28 - Переход от теории к практике 39:45 - Применение в квантовых финансах 42:13 - Обучение нейронной сети по методу Блэка-Шоулза 45:38 - TL;DW Executive Резюме ___________________________________________ 🗣️ Благодарности Особая благодарность моим подписчикам на YouTube за поддержку моего канала и возможность продолжать создавать такие же видео, как это! ⭐ Руководители Quant Guild Д-р Джейсон Пироццоло ______________________________________ ▶️ Похожие видео Сборки Quant 🔨 Как создать панель управления для торговли волатильностью на Python с помощью Interactive Brokers • How to Build a Volatility Trading Dashboar... Статистика и прибыльность торговли с течением времени (преимущество) 📈 Ожидаемой доходности акций не существует • Expected Stock Returns Don't Exist Как торговать • How to Trade Как торговать опционами с подразумеваемой волатильностью • How to Trade Option Implied Volatility Как торговать с преимуществом • How to Trade with an Edge Quant о торговле и Инвестирование • Quant on Trading and Investing ______________________________________ 🗂️ Ресурсы 📚 Библиотека Quant Guild: 🌎 GitHub:
