Visão Geral

Este Curso Data Science for Finance, ensinará como extrair percepções valiosas de dados financeiros com a poderosa linguagem de programação Python.

O curso começa com uma introdução abrangente aos fundamentos da pilha de ciência de dados aberta do Python, incluindo NumPy, SciPy, Pandas, Matplotlib e scikit-learn com aplicativos específicos para finanças.

Você aprenderá como manipular dados de muitas fontes de dados diferentes, bem como os fundamentos do aprendizado de máquina.

Objetivo

Após realizar este Curso Data Science for Finance, você será capaz de:

• Desenvolvido habilidades analíticas altamente relevantes e procuradas e as ferramentas para desenvolver sua própria modelagem financeira ou estratégia de negociação algorítmica usando Aprendizado de Máquina.
• Revise os recursos fundamentais da linguagem Python, incluindo estruturas de dados e programação orientada a objetos
• Aprenda como manipular e analisar matrizes e matrizes em Python
• Use as bibliotecas científicas, incluindo NumPy, SciPy, Matplotlib, Pandas e scikit-learn
• Aprenda a trabalhar com dados em muitos formatos diferentes
• Desenvolva um portfólio de aplicativos para analisar e visualizar dados financeiros
• Aprenda a aplicar técnicas de aprendizado de máquina para extrair insights de dados

Publico Alvo

• Developers,
• Quants,
• Engenheiros financeiros,
  
• Cientistas de dados,
• traders,
• Gerentes de portfólio
• Qualquer pessoa que queira aproveitar ao máximo a revolução dos dados abertos.
  

Pre-Requisitos

• Familiaridade com Python é essencial
• Familiaridade com instrumentos e mercados financeiros
• Cálculo básico
• Álgebra linear básica

Materiais

Conteúdo Programatico

Review of Python Basics

1. Variables & Types
   
2.  Python Lists
3.  List Manipulations
4.  Functions
5.  Methods
6.  Importing Packages
7.  The NumPy Package
8.  NumPy Arrays
9.  Basic Statistics in Python

Numerical Programming with NumPy

1. Multi-dimensional Arrays
   
2.  Array Operations
3.  Array and Boolean Indexing
4.  Broadcasting
5.  Vectorizing Code
6.  Generating Random Numbers
7.  Application: Simulating Stochastic Processes

Plotting with Matplotlib

1. Pyplot for MATLAB Style Plotting
   
2.  Scatter Plots
3.  Histograms
4.  Box Plots
5.  Financial Plots
6.  Application: Technical Analysis of Stocks
7.  3D Plotting
8.  Application: Visualizing Volatility Surfaces

Scientific Computing with SciPy

1. Multi-dimensional Arrays
   
2.  Array Operations
3.  Array and Boolean Indexing
4.  Broadcasting
5.  Vectorizing Code
6.  Generating Random Numbers
7.  Application: Simulating Stochastic Processes

Data Analysis with pandas

1. Dataframes
   
2.  Series and Panel Objects
3.  Operations
4.  Selecting and Slicing Data
5.  Plotting
6.  Application: Working with Financial Time Series
7.  Grouping Data
8.  Joining, Appending and Merging Data
9.  Application: Portfolio Analysis

SQL Databases

1.  Variety of SQL Databases
   
2.  sqlite
3.  The Python Database API
4.  Connection Objects
5.  Cursor Objects
6.  Row Objects
7.  SQL Basics: Select, Update, Delete, Insert
8.  Joins
9.  Databases, Tables, and Indexes
10.  Create, Alter, and Drop

Machine Learning Algorithms I

1. Parametric vs Non Parametric Models
   
2.  OLS Regression
3.  Lasso and Ridge
4.  Extending Parametric Models
5.  Polynomials
6.  Scaling
7.  Subset Selection
8.  Classification Algorithms
9.  Logistic Regression
10.  L1 and L2 Penalty
11.  Single and Multi-Class
12.  Application: Multi Class Modeling

Machine Learning Algorithms II

1. Non Parametric Models
   
2.  Decision Trees
3.  Support Vector Machines
4.  Assembling Methods
5.  Boosting
6.  Adaboost Algorithm
7.  Bagging
8.  Random Forest Algorithm
9.  Latest Advances:
10.  Extreme Gradient Boosting (XGB)

Tuning Algorithms

1. Cross Validation and Testing
   
2.  Pipelines and GridSearch
3.  Labs
4.  Regression Practice
5.  Classification Practice

Learning and Clustering

1. Supervised vs. Unsupervised Learning
   
2.  Principal Components Analysis
3.  K Means Clustering
4.  DBSCAN Clustering

Neural Networks with Tensorflow

1. Introduction to Neural Networks
   
2.  Specifying a Model in Tensorflow
3.  Training and Testing a Model
4.  Application: Predictive Modeling in the Financial Markets