Spécialisation Apprentissage automatique et apprentissage par renforcement en finance

Le cours vise à aider les étudiants à résoudre les problèmes pratiques liés au ML qu'ils peuvent rencontrer dans la vie réelle et qui comprennent : (1) comprendre où se situe le problème auquel on est confronté dans le paysage général des méthodes d'apprentissage automatique disponibles, (2) comprendre quelle(s) approche(s) particulière(s) d'apprentissage automatique serait(ent) la plus appropriée(s) pour résoudre le problème, et (3) être capable d'implémenter avec succès une solution, et d'évaluer sa performance.

Un apprenant ayant peu ou pas de connaissances préalables en Machine Learning (ML) connaîtra les principaux algorithmes d'apprentissage supervisé et non supervisé, et d'apprentissage par renforcement, et sera capable d'utiliser des packages ML open source Python pour concevoir, tester et implémenter des algorithmes ML en finance. Fundamentals of Machine Learning in Finance fournira une vue plus approfondie de l'apprentissage supervisé, non supervisé et par renforcement, et se terminera par un projet sur l'utilisation de l'apprentissage non supervisé pour l'implémentation d'une stratégie simple de trading de portefeuilles. Le cours est conçu pour trois catégories d'étudiants : Les praticiens travaillant dans des institutions financières telles que les banques, les sociétés de gestion d'actifs ou les fonds spéculatifs Les personnes intéressées par les applications de l'apprentissage automatique pour le day trading personnel Les étudiants actuels à temps plein poursuivant un diplôme en finance, statistiques, informatique, mathématiques, physique, ingénierie ou d'autres disciplines connexes qui veulent apprendre les applications pratiques de l'apprentissage automatique en finance Une expérience avec Python (y compris numpy, pandas, et IPython/Jupyter notebooks), l'algèbre linéaire, la théorie des probabilités de base et le calcul de base est nécessaire pour compléter les travaux de ce cours.

Ce cours a pour but d'introduire les concepts fondamentaux de l'apprentissage par renforcement (RL), et de développer des cas d'application de RL pour l'évaluation d'options, le trading, et la gestion d'actifs.

A l'issue de ce cours, les étudiants seront capables - d'utiliser l'apprentissage par renforcement pour résoudre des problèmes classiques de la finance tels que l'optimisation de portefeuille, le trading optimal, l'évaluation d'options et la gestion du risque - de s'entraîner sur des exemples valables tels que le fameux Q-learning en utilisant des problèmes financiers - d'appliquer leurs connaissances acquises dans le cours à un modèle simple de dynamique de marché obtenu en utilisant l'apprentissage par renforcement comme projet de cours. Les prérequis sont les cours "Guided Tour of Machine Learning in Finance" et "Fundamentals of Machine Learning in Finance". Les étudiants sont censés connaître le processus lognormal et la manière dont il peut être simulé. La connaissance de l'évaluation des options n'est pas nécessaire mais souhaitable.

Dans le dernier cours de notre spécialisation, Aperçu des méthodes avancées d'apprentissage par renforcement en finance, nous approfondirons les sujets abordés dans notre troisième cours, Apprentissage par renforcement en finance. En particulier, nous parlerons des liens entre l'apprentissage par renforcement, l'évaluation des options et la physique, des implications de l'apprentissage par renforcement inverse pour la modélisation de l'impact du marché et de la dynamique des prix, et des cycles perception-action dans l'apprentissage par renforcement. Après avoir suivi ce cours, les étudiants seront en mesure - d'expliquer les concepts fondamentaux de la finance tels que l'équilibre du marché, l'absence d'arbitrage, la prévisibilité, - de discuter de la modélisation du marché, - d'appliquer les méthodes de l'apprentissage par renforcement au trading à haute fréquence, au risque de crédit, au peer-to-peer lending, et au trading des crypto-monnaies.