Python AI 量化交易策略開發及應用：神經網路交易策略

Python AI 量化交易策略開發及應用：神經網路交易策略

授課講師：董夢雲博士
課程時數：15小時
上線日期：已完整上線

銷售達標進度

優惠價

$12,000

原價

$15,000

Python AI 量化交易策略開發及應用：神經網路交易策略

授課講師：董夢雲博士
課程時數：15小時
上線日期：已完整上線

銷售達標進度

優惠價

$12,000

原價

$15,000

Title

單人優惠價

雙人合購價

優惠倒數

00Secs

優惠倒數

00Secs

Python AI 量化交易策略開發及應用：時間序列與神經網路

Python AI 量化交易策略開發及應用全系列

課程介紹
課程大綱
課程評價
揪團/問答

課程介紹
課程大綱
課程評價
揪團/問答

課程介紹

自從 Alpha Go 打敗世界棋王後，神經網路的應用熱潮，達到一個高峰。到目前為止深度神經網路已廣泛地在各領域應用，如影像辨識、語音辨識、自然語言分析、文字探勘都已有不錯的應用場景。

本課程將仔細介紹神經網路的基本原理，從自行建置一個簡單的單層神經網路談起。如何將其有效應用於金融交易，應該是每個交易人員都想要知道的事情，並深度探討神經網路實際應用於金融交易主題。

課程將著重於下列教學：

使用Keras與TensorFlow套件訓練多層神經網路，進行金融資產價格的預測

神經網路訓練的原理，包括隨機梯度下降法與誤差反向傳播法等

卷積神經網路(CNN)與長短期記憶模型(LSTM），包含單變量與多變量的預測，如何應用於金融交易，包括單變量與多變量的預測使用。

如何透過GPU來提升Python計算速度

並提供所有討論主題的範例程式給學員，使學員課程完畢後能夠實際應用於工作之中。主要以Python語言為主，鑑於R語言在時間數列的廣泛應用，以及使用的便利性，部分內容輔以R語言。R語言的使用將於課程內說明。

課程大綱

第一章：
單層與多層神經元的學習與預測應用

1-1.類神經元介紹
1-2.單層感知器(SLP)架構
1-3.多層感知器(MLP) 架構
1-4.Keras套件使用與MLP預測應用
範例：sigmoid.py、relu.py、Output.py、MLP3Layer.py、01_univariate_database.ipynb、02_mlp_univariate.ipynb、03_mlp_tensorflow.ipynb、04_mlp_SP500.ipynb

第二章：
隨機梯度下降(SGD)與反向傳播法

2-1.AI學習與手寫辨識數字應用
2-2.神經網路學習原則
2-3.誤差反向傳播法
2-4.神經網路學習技巧
範例：mnist_show.ipynb、neuralnet_mnist.ipynb、neuralnet_mnist_batch.ipynb、two_layer_net.ipynb、train_neuralnet.ipynb、evalute.ipynb

第三章：
卷積神經網路(CNN)的預測應用

3-1.卷積神經網路(CNN)介紹
3-2.時間數列資料處理
3-3.單變量CNN模型預測應用
3-4.多變量CNN模型預測應用
範例：1_transform_univariate_2d_3d.ipynb、2_cnn_univariate.ipynb、3_cnn_multivariate_dependent_series.ipynb、4_multi_output_cnn_multivariate_parallel_series.ipynb

第四章：
長短期記憶模型(LSTM)的預測應用

4-1.遞迴神經網路(RNN)介紹
4-2.LSTM神經單元
4-3.單變量LSTM模型預測應用
4-4.多變量LSTM模型預測應用
範例：1_vanilla_lstm_univariate.ipynb、2_stacked_lstm_univariate.ipynb、3_cnn_lstm_univariate.ipynb、4_vanilla_lstm_multivariate_dependent.ipynb

第五章：
效能提升與GPU的使用

5-1.CUDA cuDNN的安裝
5-2.TensorFlow安裝與GPU使用測試
5-3.Numba套件的使用
5-4.PyCUDA套件的使用
5-5.系統佈署議題
範例：Numba_Basic.ipynb、PyCUDA_Test.ipyna 共用函數檔案： function.py、gradient.py、layers.py、multi_layer_net.py、multi_layer_net_extend.py、optimizer.py、trainer.py、util.py