Zināšanas, kas darbojas praksē
Mašīnmācīšanās investīciju jomā nav abstrakta ideja — tā ir konkrētu rīku un metožu kopums. Šeit atradīsi materiālus, kas palīdz saprast, kā algoritmi analizē tirgus datus un pieņem lēmumus.
Skatīt mācību programmu
Ko satur materiālu bibliotēka
Katrs resurss veidots ar konkrētu mērķi — nevis pārslogot ar teoriju, bet dot to, kas nepieciešams nākamajam solim.
Lekciju piezīmes
Strukturēti kopsavilkumi katrai nodaļai ar pasvītrošanu uz galvenajiem jēdzieniem. Piemērotakas atkārtošanai pirms prakses uzdevumiem vai stundas laikā.
Datu analīzes vingrinājumi
Praktiski uzdevumi ar reāliem tirgus datiem — akciju cenu dinamika, portfeļu optimizācija un riska novērtēšana. Uzdevumos izmanto Python un NumPy.
Algoritmu skaidrojumi
Vizuāli paskaidrojumi tam, kā darbojas lineārā regresija, lēmumu koki un neironu tīkli — bez pārmērīgas matemātikas, ar piemēriem no finanšu vides.
Gatavi koda paraugi
Jupyter Notebook faili ar anotācijām — no datu iegūšanas līdz modeļa apmācībai. Katra šūna paskaidrota ar kāpēc, ne tikai ar ko.
Gadījumu izpēte
Konkrēti piemēri tam, kā mašīnmācīšanās modeļi tika pielietoti portfeļu pārvaldībā — ar skaidriem komentāriem par to, kas strādāja un kas ne.
Pašpārbaudes testi
Īsi jautājumi katras nodaļas beigās — palīdz saprast, kur ir robi, pirms pāriet uz sarežģītāko vielu. Nav novērtēšanas, tikai orientācija.
Mācību process soli pa solim
Katrs modulis veido loģisku secību — sākot no datu apstrādes pamatiem un beidzot ar modeļu izvērtēšanu reālos apstākļos. Materiāli pieejami jebkurā laikā, bet grafiks palīdz saglabāt tempu.
Studenti, kuri ievēro ieteikto kārtību, ziņo par labāku vielas uzskatīšanu. Neskaidru jēdzienu gadījumā pieejami papildu skaidrojošie resursi.
Kursu vadītāji
Trīs speciālisti ar atšķirīgu fonu — matemātika, programmēšana un finanšu analīze. Katrs nes savu perspektīvu uz vienu un to pašu problēmu.
Aiga Zeltiņa
Aiga specializējas laika rindu analīzē un neironu tīklu pielietojumā finanšu prognozēšanā. Pirms pedagoģiskā darba strādāja kvantitatīvajā analīzē banku sektorā.
Solvita Krūmiņa
Solvita vada prakses nodaļas par stratēģiju testēšanu un backtesting metodēm. Viņas skaidrojumi balstās uz reāliem piemēriem, ne hipotētiskiem scenārijiem.
Marika Ozoliņa
Marika fokusējas uz to, kā ML modeļi var kļūdīties un kā to atklāt laikus. Riska pārvaldības bloks kursā balstās uz viņas pētījumu darbu portfeļu stress-testēšanā.