Kursplan
Inledning
Förstå grunderna i Python
Översikt över användning av teknik och Python inom finans
Översikt över verktyg och infrastruktur
- Distribution av Python med Anaconda
- Använda den Python-quant plattformen
- Använda IPython
- Använda Spyder
Kom igång med enkla finansiella exempel med Python
- Beräkna implicit volatilitet
- Implementera Monte Carlo-simulering
- Använda rent Python
- Använda vektorisering med Numpy
- Använda full vektorisering med logaritmisk Euler-schemat
- Använda grafanalys
- Använda teknisk analys
Förstå datatyper och datastrukturer i Python
- Lär dig de grundläggande datatyperna
- Lär dig de grundläggande datastrukturerna
- Använda NumPy-datastrukturer
- Implementera kodvektorisering
Implementera datavisualisering i Python
- Implementera tvådimensionella diagram
- Använda andra diagramstilar
- Implementera finansdiagram
- Generera ett 3D-diagram
Använda tidsseriedata inom finans med Python
- Utforska grunderna i pandas
- Implementera de första och andra stegen med DataFrame-klassen
- Hämta finansiell data från webben
- Använda finansiell data från CSV-filer
- Implementera regressionsanalys
- Hantera höghastighetsdata
Implementera in- och utdataväxling
- Förstå grunderna i I/O med Python
- Använda I/O med pandas
- Implementera snabb I/O med PyTables
Implementera prestandkritiska applikationer med Python
- Översikt över prestandabibliotek i Python
- Förstå Python-paradigm
- Förstå minneslayout
- Implementera parallell beräkning
- Använda multiprocessingsmodulen
- Använda Numba för dynamisk kompilering
- Använda Cython för statisk kompilering
- Använda GPUs för slumptalsgenerering
Använda matematiska verktyg och tekniker inom finans med Python
- Lär dig approximationstekniker
- Regressionsanalys
- Interpolation
- Implementera konvex optimering
- Implementera integreringstekniker
- Tillämpa symbolisk beräkning
Använda stokastik med Python
- Generering av slumptal
- Simulering av slumpsatta variabler och stokastiska processer
- Implementera värderingsberäkningar
- Beräkna riskmått
Använda statistik med Python
- Implementera normalitetsprov
- Implementera portföljoptimering
- För utföra huvudkomponentanalys (PCA)
- Implementera Bayesian regression med PyMC3
Integrera Python med Excel
- Implementera grundläggande arkussamverkan
- Använda DataNitro för full integration av Python och Excel
Objektorienterad programmering med Python
Bygga grafiska användargränssnitt med Python
Integrera Python med webbteknologier och -protokoll för finans
- Webbprotokoll
- Webbtjänster
- Webbapplikationer
Förstå och implementera värderingsramverket med Python
Simulera finansiella modeller med Python
- Generering av slumptal
- Generisk simuleringklass
- Geometrisk Brownsk rörelse
- Simuleringss klassen
- Implementera ett användningsfall för GBM
- Hoppdiffusion
- Kvadratrot diffusion
Implementera derivatvärdering med Python
Implementera portföljvärdering med Python
Använda volatilitetsoptioner i Python
- Implementera datainsamling
- Implementera modellkalibrering
- Implementera portföljvärdering
Bästa praxis i Python-programmering för finans
Felsökning
Sammanfattning och slutsats
Avslutande anmärkningar
Krav
- Grundläggande programmeringskunskaper
- Solid förståelse för matematik inom finans
Vittnesmål (2)
Praktiska övningar relaterade till innehållet hjälper verkligen till att förstå mer om varje ämne. Dessutom är det bra och hjälpsamt att börja lektionen med en föreläsning och sedan fortsätta med praktiska övningar, vilket gör det lättare att relatera till den tidigare presenterade föreläsningen.
Nazeera Mohamad - Ministry of Science, Technology and Innovation
Kurs - Introduction to Data Science and AI using Python
Maskintolkat
Exempel/övningar perfekt anpassade till vår domän
Luc - CS Group
Kurs - Scaling Data Analysis with Python and Dask
Maskintolkat
