[Quantra Quantinsti] Decision Trees in Trading (Artificial Intelligence in Trading) by Dr. Ernest P. Chan
Видеокурс на англ. языке + англ. субтитры + исходный код на Python. Ниже представлен перевод описания курса на русский язык и его оригинальное описание на английском (под спойлером).
Курс учит как реализовать на Python искусственный интеллект в своей торговой стратегии, используя такой метод, как деревья решений (Decision Trees) и методы для оптимизации результатов. Особая ценность курса - экспертные знания из опыта д-ра Эрнеста П. Чана (Dr. Ernest P. Chan) в области искусственного интеллекта и количественной торговли за последние два десятилетия.
«Деревья решений в трейдинге» - первый курс из серии «Искусственный интеллект в трейдинге» доктора Э.П. Чана. Состоит из 7 разделов от основных до продвинутых тем, это популярный курс среди трейдеров и программистов на Python. Курс объясняет алгоритм дерева классификации, поможет создать торговые стратегии и научит вас понимать ограничения ваших моделей. Как дополнения обсуждаются различные методы улучшения, которые широко используются в искусственном интеллекте.
С ПОМОЩЬЮ КУРСА ВЫ НАУЧИТЕСЬ
Скрытое содержимое.
Деревья решений в трейдинге на Python (Искусственный интеллект в торговле), д-р Эрнест П. Чан
(Decision Trees in Trading (Artificial Intelligence in Trading) by Dr. Ernest P. Chan)
(Decision Trees in Trading (Artificial Intelligence in Trading) by Dr. Ernest P. Chan)
Видеокурс на англ. языке + англ. субтитры + исходный код на Python. Ниже представлен перевод описания курса на русский язык и его оригинальное описание на английском (под спойлером).
Курс учит как реализовать на Python искусственный интеллект в своей торговой стратегии, используя такой метод, как деревья решений (Decision Trees) и методы для оптимизации результатов. Особая ценность курса - экспертные знания из опыта д-ра Эрнеста П. Чана (Dr. Ernest P. Chan) в области искусственного интеллекта и количественной торговли за последние два десятилетия.
«Деревья решений в трейдинге» - первый курс из серии «Искусственный интеллект в трейдинге» доктора Э.П. Чана. Состоит из 7 разделов от основных до продвинутых тем, это популярный курс среди трейдеров и программистов на Python. Курс объясняет алгоритм дерева классификации, поможет создать торговые стратегии и научит вас понимать ограничения ваших моделей. Как дополнения обсуждаются различные методы улучшения, которые широко используются в искусственном интеллекте.
С ПОМОЩЬЮ КУРСА ВЫ НАУЧИТЕСЬ
- Использовать деревья решений для определения лучших торговых индикаторов или других функций, используемых для создания торговых правил
- Создавать автоматизированные стратегии, используя эти идеи и модели прогнозирования
- Улучшать существующие модели прогнозирования или любые другие модели машинного обучения с использованием передовых методов, таких как методы ансамблей моделей, настройки гиперпараметров и перекрестной проверки
- Оценивать эффективность торговых стратегий, созданных с использованием этих методов
Learn end to end implementation of Artificial Intelligence in your trading strategy using techniques like Decision Trees. With added expert insights from Dr. Ernest P. Chan’s experiences in Artificial intelligence and Quantitative trading over two decades.
This intermediate course covers various basics of Decisions Trees and how they can be implemented in your trading strategy. Also includes various methods to optimize the results.
COURSE OVERVIEW
‘Decision Trees in Trading’ is the first course in the series ‘Artificial Intelligence in Trading’ by Dr. E P Chan. Consisting of 7 sections from basic to advanced topics, it is a popular course among traders and programmers. The course demystifies the black box within classification trees, helps you to create trading strategies and will teach you to understand the limitations of your models. It goes one step ahead and discusses various enhancement techniques which are widely used in artificial intelligence.
COURSE MODULES
Section 1 & 2: How Decision Trees decide?
Greedy Algorithm, Divide & Conquer approach; Splitting criteria, Entropy, Gini Index & Information Gain; Stopping criteria; Pruning methods; Parameters that affect the accuracy of the tree.
Section 3: Generate trading signals using Classification Trees
Code in Python to: create input data for the model; train the model; test the model & check for its prediction accuracy
Section 4: Create a Trading Strategy using Regression Trees
Predict next day returns using regression trees; compute Sharpe ratio and CAGR for the trading strategy
Section 5: Avoid overfitting with Parallel ensemble methods
Methods: Bagging, Random Subspace, Random Forest; Code using Scikit Learn and improve model performance
Section 6: Avoid underfitting with Sequential ensemble methods
Get a better fitted model for more accurate predictions using methods: Adaboosting, Gradient Boosting; Code using Scikit Learn
Section 7: Cross Validation & Hyperparameter tuning
From core concepts to applications of decision trees, learn to cross validate your model and tune to find the best hyperparameters
Section 8: Challenges in Live Trading
Learn how to overcome the challenges in live trading and perform a simulation of the model deployment
WHAT WILL YOU LEARN
Dr. Ernest P. Chan
Ernie is the Managing Member of QTS Capital Management, LLC., a commodity pool operator and trading advisor. QTS manages a hedge fund as well as individual accounts. He has worked in IBM human language technologies group where he developed natural language processing system which was ranked 7th globally in the defense advanced research project competition. He also worked with Morgan Stanley’s Artificial intelligence and data mining group where he developed trading strategies.
Ernie is the author of "Quantitative Trading: How to Build Your Own Algorithmic Trading Business" and "Algorithmic Trading: Winning Strategies and Their Rationale", both published by John Wiley & Sons. He maintains a popular blog "Quantitative Trading" at epchan.blogspot.com.
This intermediate course covers various basics of Decisions Trees and how they can be implemented in your trading strategy. Also includes various methods to optimize the results.
COURSE OVERVIEW
‘Decision Trees in Trading’ is the first course in the series ‘Artificial Intelligence in Trading’ by Dr. E P Chan. Consisting of 7 sections from basic to advanced topics, it is a popular course among traders and programmers. The course demystifies the black box within classification trees, helps you to create trading strategies and will teach you to understand the limitations of your models. It goes one step ahead and discusses various enhancement techniques which are widely used in artificial intelligence.
COURSE MODULES
Section 1 & 2: How Decision Trees decide?
Greedy Algorithm, Divide & Conquer approach; Splitting criteria, Entropy, Gini Index & Information Gain; Stopping criteria; Pruning methods; Parameters that affect the accuracy of the tree.
Section 3: Generate trading signals using Classification Trees
Code in Python to: create input data for the model; train the model; test the model & check for its prediction accuracy
Section 4: Create a Trading Strategy using Regression Trees
Predict next day returns using regression trees; compute Sharpe ratio and CAGR for the trading strategy
Section 5: Avoid overfitting with Parallel ensemble methods
Methods: Bagging, Random Subspace, Random Forest; Code using Scikit Learn and improve model performance
Section 6: Avoid underfitting with Sequential ensemble methods
Get a better fitted model for more accurate predictions using methods: Adaboosting, Gradient Boosting; Code using Scikit Learn
Section 7: Cross Validation & Hyperparameter tuning
From core concepts to applications of decision trees, learn to cross validate your model and tune to find the best hyperparameters
Section 8: Challenges in Live Trading
Learn how to overcome the challenges in live trading and perform a simulation of the model deployment
WHAT WILL YOU LEARN
- How to use decision trees to identify best trading indicators or other features used to create trading rules
- To create automated strategies using those insights and prediction models
- To enhance your existing prediction models or any other machine learning models using advanced techniques such as ensemble methods, hyperparameter tuning and cross validation
- Evaluate performance of trading strategies created using these techniques
- To install necessary softwares and run the Python strategy codes provided and modify to suit your trading style
Dr. Ernest P. Chan
Ernie is the Managing Member of QTS Capital Management, LLC., a commodity pool operator and trading advisor. QTS manages a hedge fund as well as individual accounts. He has worked in IBM human language technologies group where he developed natural language processing system which was ranked 7th globally in the defense advanced research project competition. He also worked with Morgan Stanley’s Artificial intelligence and data mining group where he developed trading strategies.
Ernie is the author of "Quantitative Trading: How to Build Your Own Algorithmic Trading Business" and "Algorithmic Trading: Winning Strategies and Their Rationale", both published by John Wiley & Sons. He maintains a popular blog "Quantitative Trading" at epchan.blogspot.com.