پایتون و یادگیری ماشینی برای مدیریت دارایی با مجموعه داده های جایگزین

استفاده بیش از حد از داده‌های بازار و حسابداری در چند دهه اخیر منجر به ازدحام پرتفوی، عملکرد متوسط ​​و ریسک‌های سیستمی شده است، و مؤسسات مالی را تشویق می‌کند که به دنبال لبه‌ای برای پذیرش سریع داده‌های جایگزین به عنوان جایگزینی برای داده‌های سنتی هستند. این دوره مفاهیم اصلی پیرامون داده های جایگزین، جدیدترین تحقیقات در این زمینه، و همچنین نمونه های نمونه کارها و کاربردهای واقعی را معرفی می کند. رویکرد این دوره تا حدودی منحصر به فرد است زیرا در حالی که تئوری تحت پوشش هنوز جزء اصلی است، جلسات آزمایشگاهی عملی و نمونه هایی از کار با مجموعه داده های جایگزین نیز کلیدی هستند. این دوره برای شما مناسب است اگر به عنوان یک دانشمند داده در بازارهای مالی به دنبال شغلی هستید، به دنبال تقویت مهارت های تحلیلی خود در بازارهای مالی هستید، یا اگر علاقه مند به فناوری و تحقیقات پیشرفته هستید همانطور که آنها برای داده های بزرگ اعمال می شوند. . پیشینه مورد نیاز عبارتند از: برنامه نویسی پایتون، نظریه سرمایه گذاری و آمار. این دوره شما را قادر می سازد تا در عین تقویت علم داده و مهارت های پایتون، داده ها و تکنیک های تحقیقاتی جدیدی را که در بازارهای مالی اعمال می شود، بیاموزید.