КУРС

DATA SCIENCE ACADEMY

Научитесь использовать инструменты анализа данных, включая языки программирования и средства визуализации.

В статье описаны 11 плейлистов на YouTube, представляющих законченные видеокурсы по различным применениям Data Science в финансах.

Разобраться с тем, что такое Data Science, а также как использовать машинное обучение и анализ данных для финансовых инструментов, можно не только штудируя учебники и статьи, но и изучая видеокурсы на YouTube. В этой статье мы собрали несколько англоязычных плейлистов по теме Data Science в финансах. В подборке можно найти как курсы попроще, дающие общее представление об этой сфере (первые два курса), так и продолжительные образовательные циклы, направленные на решение определенных финансовых задач с помощью программного кода.

Введение в Data Science

Обзорный видеокурс “Introduction to Data Science” объясняет простым языком базовые понятия, касающиеся применения Data Science. Курс предназначен для людей, которые пока не готовы углубиться в математическую сторону вопроса или в процесс программирования, но желают получить общие представления о данной области.

Методология Data Science в финансах

Видеокурс “Welcome to Data Science Methodology 101” посвящен процессу постановки бизнес-задач, решаемых с помощью Data Science. Кратко, но с наглядными примерами, описываются все необходимые шаги для применения Data Science в финансах: сбор и анализ данных, построение и развертывание предсказательной модели, обратная связь. Таким образом, курс поможет добиться лучшего взаимопонимания между руководителями бизнес-проектов и специалистами по анализу данных.

Программирование на Python для финансов

Успевший зарекомендовать себя по другим образовательным ресурсам Гаррисон Кинсли (sentdex) в курсе “Python Programming for Finance” показывает, как финансовые задачи можно решать посредством Python. В 28 видеоуроках рассказано о получении, обработке и визуализации данных по ценам акций, данных фондового индекса S&P 500, подготовке данных для машинного обучения и алгоритмического трейдинга с помощью Quantopian.

Python для финансов с применением Zipline и Quantopian

Упомянутая в названии курса библиотека Zipline – это пакет Python, предназначенный для разработки и тестирования торговых алгоритмов, который используется в основе веб-платформы Quantopian. Курс из 20 уроков сопровождается большим количеством примеров написания программного кода. Также освещаются особенности процесса работы с финансовой платформой.

Визуализация фондовых данных с Python и Matplotlib

Этот видеокурс состоит из 27 уроков и посвящен графической обработке рыночных данных для технического анализа. Описан процесс автоматизации получения рыночных данных о ценах акций и их графического представления с помощью библиотеки Matplotlib. По результатам прохождения курса слушатель овладеет знаниями для построения собственного приложения, которое отображает динамику изменения рыночных цен.

Анализ данных для выбора стратегии инвестирования посредством Python и Pandas 

В 12 уроках курса “Python with Pandas and Sentiment Analysis for Investing” даются представления об анализе данных для инвестирования с помощью Python и популярной в Data Science библиотеки Pandas. Библиотека Pandas облегчает работу с большими объемами табличных данных и активно используется в машинном обучении как инструмент обработки данных. В процессе написания и тестирования кода автор показывает, с какими ошибками может столкнуться новичок в данной области, и как их вовремя избежать. В качестве основы для анализа используются данные фондового индекса S&P 500.

Python: математика и технические индикаторы фондовых рынков

В подробном видеокурсе из 55 уроков “Python: Mathematics and Stock/Forex/Futures indicators” Гаррисон Кинсли разбирает способы расчета на Python основных технических индикаторов: простое скользящее среднее (SMA), экспоненциальное скользящее среднее (EMA), кумулятивный индекс колебаний (ASI), средний истинный диапазон (ATR), индекс среднего направления движения (ADX), etc. Описываются как способы нахождения индикаторов, так и процесс их визуализации с библиотекой Matplotlib. 

Машинное обучение для анализа и алгоритмического трейдинга на Forex и фондовых рынках

В курсе из 19 уроков подробно рассмотрены способы поиска характерных паттернов различного уровня сложности в алгоритмическом трейдинге, а также способы получения соответствующих предсказаний с использованием машинного обучения. Плюс в курсе кратко рассмотрена процедура оптимизации торговой стратегии на прошлых периодах – бэктестинг. 

Программирование для инвестиций

В 18 уроках “Programming to Aid Fundamental Investing” показаны возможности программирования, которые помогают при выборе объектов инвестирования. Продемонстрированы сбор финансовых данных для сравнения текущего финансового положения компаний, создание собственного фильтра акций, работа с индексом Russell 3000, подключение к данным Quandl с созданием наглядной визуализации данных для анализа.

Анализ больших данных, алгоритмический трейдинг и оптимизация торговой стратегии

Большая часть уроков курса “Big Data Analytics & Algorithmic Stock Trading / Backtesting” – дополненный вариант “Python Charting Stocks/Forex for Technical Analysis”. Поэтому основной интерес относительно указанной темы представляют ролики 32-35, посвященные анализу Big Data и алгоритмическому трейдингу. В том числе рассматривается процесс оптимизации торговой стратегии на основе использования исторических данных с последующей проверкой адекватности получаемых результатов.

Искусственный интеллект и Data Science в финансах

В подборке Siraj Raval из пары видео “AI in Finance” рассмотрены две важные темы: применение ИИ для предсказания стоковых цен и выявление мошеннических транзакций по кредитным картам для их своевременного предотвращения. В качестве фреймворков для построения алгоритмов прогнозирования используются Keras и TensorFlow. 

Заключение

Таким образом, мы кратко описали 11 видеокурсов, посвященных использованию различных методов Data Science в финансах. При прохождении не забывайте об инструментах YouTube, таких как скорость воспроизведения и повторы конкретных моментов видео. Не тратьте время на очевидное и старайтесь максимально разобраться в новых для вас деталях.

Помните, что любое обучение требует практики. Старайтесь не просто воспроизвести чужой код, а сразу же применить его к своим задачам. Используйте по необходимости сторонние ресурсы и свои собственные наборы данных: это сделает обучение более увлекательным и будет мотивировать вас на новые достижения.

Научиться программировать и работать с данными можно на курсе «Data Science Academy» от SF Education!

Подписывайтесь на полезную рассылку от SF Education в Вконтакте и в Telegram!