Python for Trading 102

+:Python for Trading 102:+:

หลักสูตรนี้จะเน้นไปที่การประยุกต์ใช้ Python 

เพื่อสร้างระบบเทรดแบบครบวงจร เรียนรู้เกี่ยวกับองค์รวมของระบบเทรด 

และการนำปัญญาประดิษฐ์มาใช้กับการเทรดแบบต่างๆ

สอนสด พร้อมลงมือ เขียน Code กันในห้องเรียน

:: ================== ::

Python for Trading 102 เป็นหลักสูตรหนึ่งของ Python for Trading 

เป็นคอร์สต่อยอดสำหรับนักลงทุนที่ผ่าน Basic Python for Trading 101 

หรือมีความรู้ในการใช้ภาษา Python อยู่แล้ว

นอกจากนี้ ตลอดทั้งคอร์สจะมีการแทรกเสริมความรู้ที่ผู้สอนได้มาจากประสบการณ์เทรดโดยตรง 

เพื่อช่วยให้ผู้เรียนลดจุดผิดพลาดในการสร้างระเบบเทรด ซึ่งเป็นสิ่งที่หาผู้สอนได้ยาก

คอร์สนี้เหมาะสมกับนักลงทุนสายเก็งกำไรโดยเฉพาะ และผู้ที่มีความสนใจจะเพิ่มระดับ

ความได้เปรียบในการลงทุนด้วยการวิเคราะห์ผ่าน Python และ Machine L

:: ======== พื้นฐานความรู้ ของผู้ที่จะมาเรียนหลักสูตรนี้ได้ ========== :: 

Python for Trading 102 

• ผ่านคอร์ส 101 แล้ว หรือมีพื้นฐานภาษา Python มาก่อน 
• ต้องการเพิ่มความรู้ในเรื่อง Machine Learning  และการนำภาษา Python กับ Machine Learning มาประยุกต์ใช้ร่วมกัน
• ต้องการเพิ่มศักยภาพของเครื่องมือ ในการวิเคราะห์และคำนวณข้อมูลต่างๆในเชิงลึก
• ต้องการต่อยอดสู่การสร้างระบบเทรดอัตโนมัติ

:: ================== ::

 หลักสูตรนี้เหมาะกับใคร ? 

• นักลงทุนรายย่อยที่เทรดด้วยตนเอง ใช้เพียงเครื่องมือในโปรแกรมสำเร็จรูปทั่วไป 

หรือเครื่องมือจากโบรค  แล้วติดกับข้อจำกัดมากมายของเครื่องมือเหล่านั้น ทำให้ประสิทธิภาพในการสร้างผลตอบแทนจากการเทรดไม่มากเท่ากับความสามารถ

และเป้าหมายในการลงทุนที่คุณต้องการ

• ผู้ที่ทำงานในบริษัทหลักทรัพย์ และอยากเพิ่มความรู้เพื่อนำไปใช้ต่อยอดในการทำงาน เพราะนี่คือทักษะ และเครื่องมือที่เป็นมาตรฐานเดียวกับที่เทรดเดอร์ของสถาบันทั่วโลกใช้กัน

 รายละเอียดหลักสูตร 

Python for Trading 102 (วัน 5 / 28 ชม.)

Day 1

• Introduction to Automated Trading Systems
  • General Architecture
  • Trading System Lifecycle
  • General Misconceptions
• Machine Learning Basics
  • What is Machine Learning?
    • Tasks: Classification/Regression
    • Learning: Supervised/Unsupervised
    • Brief Introduction to Reinforcement Learning and Deep Learning
  • Important Machine Learning Algorithms
    • Linear and Logistic Regression
    • Tree-based Models
    • Neural Networks
    • Other Notable Algorithms
      • K-means
      • Naive Bayes
      • K-nearest neighbor
• Evaluation Metrics
  • Common Metrics
    • Accuracy
    • Precision
    • F1-score
    • Mean Absolute Error
    • Mean Squared Error
    • Mean Absolute Percentage Error
  • Financial Metrics
    • Cumulative P/L
    • Sharpe Ratio
    • Maximum Drawdown
    • Drawdown Period
    • Custom Metrics

Day 2

• Hands-on Machine Learning for Finance
  • Data Sources
  • Price Prediction
    • Setting a realistic expectation
    • Feature Engineering
    • Training and Testing Methods
    • Price Prediction Model
  • Stock Analysis with Unsupervised Algorithms

Day 3

• Real Trading System
  • Concepts
  • General Workflow
  • Experience Sharing
    • Mistakes and Pitfalls
• Live Trading Exercise
  • Introducing BitMex Testnet (Might subject to change)
  • Create a bot to trade on Testnet

Day 4

• Live Trading Exercise 2
  • Connecting to other exchanges (Tentative)
    • Forex
    • SET Exchange
• Alternative Data Analysis with Machine Learning
  • Data Sources
    • Google Trends
    • News API
  • Sentiment Analysis with Deep Learning
  • Other applications of AI

Day 5

• Recap
• Frequently Asked Topics
  • Algorithmically Identifying Support/Resistance levels
• Q&A Session