Python在金融中的应用
技术创新对金融衍生品市场的效率提高做出了很大的贡献。。。这些强大的改进只有在衍生品交易所和清算公司提供持续的高额的信息技术投资时才有可能。
——德国证券交易所集团，2008
在过去的十年里，随着自动化技术的出现，科技最终成为杰出的金融机构，银行，保险和投资公司，股票交易公司，对冲基金，券商等公司的一部分。
根据2013年的Crosman 报告，与2013年相比，银行和金融公司2014年在科技上的花费要高出4.2%。预计在2020年，一年的金融服务的技术成本将达到5亿美元。正值系统需要维护和不断升级的时候，一些著名的银行雇佣一些开发者是很正常的事情。那么Python用在哪里呢?
![]()
Python用于机器学习与量化交易、衍生品定价不论是金融衍生品还是大数据分析，Python都发挥了重要的作用。就前者而言，Python能够很好地和其它系统，软件工具以及数据流结合在一起，当然也包括R。用Python来对大数据做图表效果更好，它在速度和帮助方面也一样可靠。有些公司使用Python进行预测分析和统计分析。据福布斯2014年12月29日的一篇文章报道，与历年相比，2014年与Python相关的大数据招聘需求同比上涨96.9%。
很难想象，有一天，麦肯锡会如此“殷勤”地招人。
知道以下问题的答案：在 Python 中，如何用一行代码将 [True, False, False, True, True] 转换成 [0, 3, 4] ，并且有时间面试，那么请你联系我，我将很乐意内推你。
![]()
（网上出现的麦肯锡招聘，标明需要 Python 技能）
从去年开始，网络上便频繁出现咨询公司招聘具备 Python 金融应用技能的实习生的帖子。目前很多咨询公司，从麦肯锡到四大咨询，基于大数据、互联网的分析和战略落地都已经逐渐成为业务的重点，增长迅速。
如果你有在咨询、金融工作的师兄师姐，他们一定会建议你去学习 Python金融编程应用；去年高盛 CEO Lloyd Blankfein 的一个言论吸引了不少眼球，他说，从本质上讲，银行其实是一个 IT 公司。
可见，以 Python 为代表的金融数据科学领域的风口已经呈现爆发状态。
行业的更迭与进化并非虚无缥缈
它就发生在我们每天的生活中
而这一天已经悄然来到。
![]()
（高盛采访了自己2017年的暑期实习生，72%的受访实习生将 Python金融编程应用 列为最为重要技能之一）
为了帮助大家对Python金融应用进行系统学习
金融云共享
邀请摩根斯坦利纽约总部量化女神
推出Python|机器学习与量化交易、衍生品定价实战训练课
本课程意在传授金融数据处理分析、利率曲线拟合、微分方程数值解、量化交易投资策略建模以及机器学习在量化交易中的应用, 并以Python代码实现程序化交易。学生可以熟练掌握Yahoo Finance connection, sklearn、QS Trader、statsmodel等Python packages (库)。另外，本课程还会传授量化部门面试求职技巧，帮助求职者拿到理想工作offer。
课程目标
![]()
1.熟练掌握Python语言
2.掌握Python金融数据处理分析技能
3.基本量化交易策略学习与Python实现
4.机器学习理论与Python实现
5.机器学习于量化交易的应用与Python程序化实现
6.掌握投行Python衍生品定价
7.传授面试求职技巧, 改进简历，如何在求职面试中求胜，拿到Dream Company的offer
摩根斯坦利纽约总部量化金融部门——Diana
![]()
纽约大学数学金融硕士学位。就业于摩根斯坦利纽约总部量化金融部门，主要从事algorithm trading ，stock volume预测，机器学习研究，固定收益和外汇定价建模以及衍生品定价。建立了利率和外汇的定价模型和股票的统计套利模型，对销售及交易类数据作机器学习分析有独到的研究。
她为公司trading book的重要变量建立系统化自学习建模框架，为每个季度的资金计划提供指导性统计数据。还联立了卡尔曼滤波模型和时间序列模型为大单交易量做出预测，为交易员提供交易建议。利用卷积神经网络模型对公司的高净值客户的理财投资预期数据进行预测学习，为下一个年份的投资量做出量化指导。
Diana还在她所在的部门担任面试主管，为候选人进行面试。对分享自己的经历和帮助他人获得事业上的成功有着强烈的热情。她有3年在美国学生设计实习项目的指导经验，帮助学生完善他们的简历，准备面试，并在金融行业取得成功。
课程内容
![]()
第一节Algorithmic Trading In PythonOverview（Python量化交易概述）
课程介绍overview
1.what is algo-trading? Compare to retail traders
（对于散户来说，量化交易是什么？）
2.why Python? Python notebook简介
（Python应用于量化交易的优势）
3.交易系统简介
4.Python for finance常用packages : numpy, scipy, pandas, statsmodel, scikit-learn, matplotlib
（Python在金融中的应用以及各种库函数）
5.量化交易的就业分析和职业发展
第二节Python for Finance 常用packages学习I
1.学习数据分析基础library（库）-- NumPy:
●Creating Arrays（创建数组）
●Using Arrays and Scalars（使用数组和标量）
●Indexing Arrays（索引数组）
●Array Manipulation（数组操作）
●Array Functions（数组函数）
2.学习数据分析高阶 library – Pandas:
●DataFramesand file reading（DataFrames和文件阅读导入）
●Index and Reindex Objects, Index Hierarchy（索引和索引命令对象,索引的层次结构）
●Select/Drop Entry（选择/删除条目）
●Data Alignment, Rank and Sort、Handling missing data（数据对齐、等级和排序，处理缺失数据）
●Summary Statistics（汇总统计）
3. 统计分析和最优化 library—scipy
●Optimization（优化）
●Statistical test（统计检验）
●Linear algebra-linalg （线性代数）
4. 画图 library—matplotlib
●How to plot basic graphs for different types
（如何绘制基本图形为不同的类型）
●How to plot multiple graphs and do arrangement
（如何绘制多个图形并进行排列）
●Advanced plotting
（高级绘图/数据可视化）
第三节Python for Finance 常用packages学习 II
1.统计模型library--statsmodel
●Regression and generalized regression models
（回归和广义回归模型）
●Time series analysis （时间序列分析）
●Statistical test（统计检验）
●Distributions （分布）
2.金融数据处理
●Frequency of data（数据的频率）
●How to source data from Bloomberg、Yahoo Finance and so on
（如何得到源数据）
●Data quality check and cleaning(smooth, seasonality adjustment, fill-forward and so on)（数据质量检查和清理）
第四节 金融数据建模与预测/风险测度因子
1.Statistical learning and techniques overview
（统计学习和技术概述）
2.Financial time series analysis
（金融时间序列分析）
3.Forecasting measures and techniques overview
（预测措施和技术概述）
4.Performance evaluation and risk measures
（绩效评估和风险评估度量）
第五节传统量化交易策略和Python实现
1.Event-driven trading strategies and implementation
（事件驱动的交易策略和实施）
2. Statistical trading strategies and implementation
（统计交易策略和实施）
●Moving-average trade（移动平均交易）
●Pair trading （配对交易）
3. Parameter optimization（参数优化）
●Overfitting and cross-validation（过度拟合和交叉验证）
●Grid search（网格搜索）
第六节高阶量化交易策略 I—贝叶斯模型
1.Advance algorithmic trading overview
（高级算法交易概述）
2. What is Bayesian statistics
（什么是贝叶斯统计）
3. Bayesian Inference methods
（贝叶斯推理方法）
4. Markov Chain Monte Carlo
（MCMC 马科夫链门特卡罗）
5. Linear regression model based on Bayes
（基于贝叶斯的线性回归模型）
6. Bayesian stochastic volatility model
（贝叶斯随机波动模型）
7. Python举例和模型代码实现
第七节金融时间序列分析-I
1.序列相关系和random walk
（随机游走）
2.平稳时间序列模型-AR/MA/ARMA
（波动率预测模型）
3.非平稳时间序列模型-ARIMA/异方差模型-GARCH
第八节金融时间序列分析-II
1.State-model and Kalman filter
（状态模型和卡尔曼滤波）
●Kalman filter theory
（卡尔曼滤波器理论）
●Application to regression and pair trading in Python
（卡曼滤波器在回归及配对交易方面的应用）
2.Hidden Markov Models
（隐式马科夫模型）
●HMM theory （HMM理论）
●Application to market regime detection in Python
（HMM在市场机制判定/探测的应用）
第九节 机器学习于量化交易中的应用I
1.Introduction to machine learning
（机器学习介绍）
2.Linear regression and MLE
（线性回归和MLE）
3. Decision Tree（决策树）
●Entropy and information gain theories （熵与信息论基础）
●Pruning the tree（算法优化-减枝）
●Advanced tree methods—bagging, boosting, random forest and son on（高级树形理论）
4.Python implementation
（如何用Python实现）
第十节机器学习于量化交易中的应用II
1.Introduction to Support Vector Machine
（支持向量机的介绍）
●Maximum margin classifier（最大边缘分类器）
●Linear SVM（线性支持向量机）
●Kernel function and higher dimension mapping（核函数与高维数据投影）
2. Cross-Validation for model selection
（交叉验证的模型选择）
●Leave one out （留一验证）
●K-fold
●Bias-variance trade-off（偏差-方差的折中）
第十一节机器学习于量化交易中的应用III
1.Introduction to Clustering
（介绍集群聚类）
●Clustering theory
（集群理论聚类）
●Implementation to financial market
（在金融领域的应用）
2. Neural network
（神经网络）
●Introduction to artificialneural network（人工神经网络）
●Introduction to recurrent neural network（递归神经网络）
3. Unsupervised dimensional reduction techniques
（非监督降维技术）
●PCA/CCA
●Implementation to financial market
（在金融领域的应用）
第十二节机器学习于量化交易中的应用IV
1. Introduction to QS Trader in Python
●QS Trader overview （QS Tader概况）
●QS Trader for backtesting （利用XXX的回测）
2. ARIMA+GARCH Trading
（XXX交易）
●Strategy on Stock Market（股票市场策略）
●Indexes Using R（用R语言做什么不明白问老师）
3. Cointegration-Based Pairs Trading using QSTrader
（基于QSTrader的协同一体化/结合下的配对交易）
4.Kalman Filter-Based Pairs Trading using QSTrader
（基于QSTrader的卡曼滤波配对交易）
5. Supervised Learning for Intraday Returns Prediction using QSTrader
（利用监督学习预测日间交易回报）
第十三节Python for ODE PDE numerical methods (Python for 偏微分方程数值解)
1.ODE examples in Finance
(常微分方程金融例子)
2.Forward Backward Crank-Nicholson Methods for ODE
（向前向后CN方法）
3.Explicit Implicit and CN methods for PDE
(显式隐式CN方法)
4.Option pricing examples for PDE
(偏微分方程期权定价例子)
第十四节Python衍生品定价-I
1.蒙特卡洛模拟基础
2.常见随机过程离散化
3.European Option（欧式期权）蒙特卡洛模拟定价
4.Exotic option
（奇异期权定价）
5.Least-square monte-carlo for American option pricing
(最小二乘蒙特卡罗对美式期权定价)
第十五节Python衍生品定价-II
1.Common variance reduction techniques for Monte-Carlo and application to option pricing
(常见蒙特卡罗方差降低方法与期权定价)
2.Importance sampling and change of measure
(重点抽样级数和测度变化)
3.Incremental risk charge model and Gaussian Copula for credit risk
(信用风险的IRC模型和高斯核)
第十六节 Quant（宽客）求职面试和职业规划
如何高效地通过面试，成为一名优秀的量化分析师。
1.Quant（宽客）职位要求和招聘特点
2.剖析招聘流程／求职准备时间表
3.如何准备一份高命中率的简历
4.知识覆盖点和如何准备面试
5.电话面试和on-site面试注意事项
课程试听
![]()
长按识别二维码即可试听哦
![]()
![]()
![]()
![]()
本次课程适合的人群
![]()
- 金融工程专业背景的同学/工作人士，希望能够在课本之外工作之余进一步了解Python在金融市场的实战应用
- 非金融工程专业背景的同学/工作人士，希望能够系统性了解量化投资以及在投资中的实际应用
- 在证券公司/基金/银行/期货公司/交易所等相关领域工作的职场人士，希望进一步提升自己的竞争力
- 希望通过学习系统掌握量化投资相关的实务技能，为后续跳槽/转行做必要的知识技能准备与提升
- 零基础和想深入研究的都可以参加的哈。
// 课程详情 //
早鸟优惠价：本公众号前88名学员，899元
课程原价：1588元
开课时间：5月26日（每周六晚上8：00~9：30、每周更新两节课）
每节课时长：50分钟左右、部分内容时长可能超出。
课程形式：录播视频 & 社群互动
试听：找客服咨询哈
团购返现
如果你带着你的小伙伴一起报名
3人以上（含3人）可享受团购价
每人将获得50元返现
报名咨询：
1.金融云共享所有客服均可报名（共享超人、共享小飞侠、共享雷神、共享钢铁侠、共享蜘蛛侠）
2.添加jrygx001或扫一扫下方二维码
|
|
转播
