Read the Official Description

La popularidad de las técnicas de ciencia de datos, como la minería de datos y el aprendizaje automático, ha crecido enormemente en los últimos años. Presentan soluciones efectivas para procesar y analizar la enorme cantidad de datos disponibles para los gestores de riesgos y los analistas financieros.

Con los avances en la potencia informática y el procesamiento distribuido, ahora es posible procesar, y dar sentido, a la gran cantidad de información que se puede recopilar a partir de varias fuentes de datos diferentes.

Este programa práctico cubre técnicas clave, que incluyen varios aspectos del aprendizaje automático supervisado y no supervisado, que se pueden utilizar al extraer datos financieros. El programa también se enfoca en técnicas avanzadas de ciencia de datos que se están utilizando ampliamente en los mercados financieros para el análisis de texto e inteligencia artificial (AI): Procesamiento de lenguaje natural (NLP) y Aprendizaje profundo (DL).

El programa se entrega íntegramente a través de talleres y estudios de caso. Los participantes aprenderán cómo implementar técnicas de procesamiento de lenguaje natural construyendo un modelo de análisis de sentimientos para analizar texto. En la sección de aprendizaje profundo, los participantes se centrarán en las diferentes redes neuronales que se pueden utilizar para la clasificación de datos, el pronóstico de series de tiempo y el reconocimiento de patrones.

Todos los ejercicios y estudios de caso están ilustrados en Python, lo que le permite aprender cómo trabajar con este lenguaje de programación flexible y de código abierto.

Fecha: 10 al 12 de abril de 2019.

Lugar de encuentro: Centro de Londres

Tarifa: £ 1330 por día

Puede ser elegible para tarifas preferenciales. Contáctenos para verificar si su empresa es miembro del programa LFS Global Client.


Para quién es el curso

  • Gerentes de cartera
  • Gerentes de riesgo
  • Profesionales que buscan introducir conceptos de minería de datos en sus tareas cotidianas
  • Desarrolladores de TI
  • Estadísticos
  • Analistas de Quant
  • Ingenieros financieros
  • Consultores


Objetivos de aprendizaje

  • Construir una sólida base de conocimientos sobre técnicas y herramientas de minería de datos, así como su aplicación a la industria financiera
  • Obtenga experiencia práctica con procesamiento de lenguaje natural y aprendizaje profundo en finanzas
  • Aprenda a aplicar Python a la minería y procesamiento de datos, y a resolver problemas del mundo real de PNL y LD
  • Obtenga una comprensión de los algoritmos de Redes Neuronales Artificiales (ANN) y cómo usarlos para diseñar, construir y desarrollar modelos DL


Conocimiento previo

  • Nociones básicas de estadísticas
  • Buen conocimiento práctico de Excel
  • No se requiere conocimiento previo de Python


Esquema del curso

Día uno

Descripción general de la minería de datos

Estableciendo los diferentes componentes de la minería de datos

  • reglas de asociación
  • Clasificación vs problemas de regresión
  • Análisis de agrupamiento

Visualización de datos

  • Descripción general de soluciones de terceros (Tableau, QlikeTech, etc.) para la visualización de grandes conjuntos de datos. Los estudios de caso se resolverán utilizando matplotlib-library y plotly (plataforma de colaboración abierta de datos en línea)
  • Bases de datos gráficas: aplicación de la teoría de redes al análisis de carteras e introducción a bases de datos gráficos
  • Detección de valores atípicos
  • Distancia Mahalanobis

Regresión

  • OLS (mínimos cuadrados ordinarios)
  • Regresión de Ridge
  • Escasa
  • Lazo
  • Red elástica

Taller: Elaboración de la cobertura óptima de una gran cartera de acciones del mundo real utilizando futuros. La cartera tiene una naturaleza global (100 acciones), pero solo un conjunto limitado de futuros está disponible

Análisis de componentes principales (PCA)

  • Análisis del componente principal del término estructura de tasas de interés y volatilidades implícitas
  • Regresión del componente principal (PCR)
  • Mínimos cuadrados parciales (PLS)

Taller: uso de PCA para reducir la dimensionalidad de un gran conjunto de datos de curvas de tasas de interés históricas. El comportamiento complejo de esta curva se distribuye a lo largo de diferentes vencimientos y esta técnica permite a un administrador de riesgos tener una mejor visión de la dinámica de las curvas de tasas de interés

Clasificación de datos - Regresión

Estimación y clasificación de la densidad del núcleo

  • La estimación de la densidad del núcleo es un procedimiento de aprendizaje no supervisado, que conduce a una simple familia de procedimientos para la clasificación no paramétrica

Estudio de caso: Usar kernels para derivar distribuciones de probabilidad para datos financieros

Clasificación - Parte I

  • Clasificación de Naive Bayes: una técnica directa y poderosa para clasificar datos

Estudio de caso: Elaboración de un predictor de Bayes para un gran conjunto de datos que contiene diferentes atributos de los bancos estadounidenses. El clasificador de Bayes se usará para separar aquellos bancos que probablemente fallen de aquellos que permanecerán solventes

Clasificación - Parte II

  • Técnicas robustas de minería de datos
  • Regresión logística

Estudio de caso: aplicación de log-regression en un conjunto de datos del mundo real con alta dimensionalidad

Día dos

Clasificación de datos (cont.)

Clasificación - Parte III

  • Árboles de clasificación: el modelado CART lleva a árboles de decisión prácticos fáciles de usar
  • El concepto de árboles de decisión se ampliará con técnicas como Random Forest y Bagging

Estudio de caso: Conceptos tales como funciones de costos, niveles de impurezas, poda de árboles y validación cruzada serán manejados en detalle

  • K-Nearest Neighbor learning
  • Regresión logística

Estudio de caso: los métodos de clasificación (K-Nearest y CART) se pondrán en funcionamiento en diferentes indicadores técnicos (RSI, MACD, etc.) de grandes conjuntos de datos financieros del mundo real. Esto ilustrará cómo estos clasificadores se pueden usar para dividir las existencias en diferentes segmentos de acuerdo con la fortaleza de los diferentes atributos de una manera rápida.

Taller: herramientas de minería de datos

Una introducción a Python: un poderoso lenguaje de programación

La aplicabilidad de Python en el dominio del análisis de datos se ilustrará a través de ejemplos prácticos con un enfoque en el aprendizaje automático utilizando el paquete 'scikit-learn'. Todos los ejemplos serán cubiertos en Jupyter-notebooks. Los delegados aprenderán cómo crear informes personalizados en Python

Día tres

Procesamiento natural del lenguaje

La extracción de valor real de las publicaciones en redes sociales, imágenes, correo electrónico, archivos PDF y otras fuentes de datos no estructurados es un gran desafío para las empresas.

Esta sección está dedicada a la aplicación del procesamiento de lenguaje natural (NLP) para extraer valor de datos no estructurados. Se explorarán varios ejemplos del mundo real de examinar datos no estructurados en finanzas, incluido el análisis de sentimiento de noticias financieras.

Taller: Uso del paquete NLTK de Python para:

  • Explora y combina un texto usando Tf-Idf y Count Vectors
  • Predecir palabras en un texto: construir un predictor de palabras a partir de un texto; escribiendo un programa que puede predecir la palabra que sigue una palabra dada
  • Comprender el sentimiento de una noticia en una acción en particular

Aprendizaje profundo

Aprendizaje profundo como un subcampo del aprendizaje automático - Algoritmos de Redes Neuronales Artificiales (ANN).

  • Introducción al Aprendizaje Profundo
  • Propagación hacia adelante
  • Enfoque de Word2vec
  • Redes más profundas y propagación hacia adelante
  • Optimizar la red neuronal con propagación hacia atrás

Caso práctico: construir un modelo de aprendizaje profundo con Python (con un enfoque en los paquetes Keras y Tensorflow)

Program taught in:
Inglés

See 4 more programs offered by London Financial Studies »

Last updated January 24, 2019
Este curso es Campus based
Fecha de inicio
abr. 10, 2019
Duration
3 días
Tiempo completo
Precio
3,975 GBP
£ 1325 por día
Deadline
By locations
By date
Fecha de inicio
abr. 10, 2019
Fecha de finalización
abr. 12, 2019
Application deadline

abr. 10, 2019

Location
Application deadline
Fecha de finalización
abr. 12, 2019

LFS Webcast series - Applying Data-Mining in Finance