Szczegóły dotyczące sesji, programu i warunków uczestnictwa znajdziesz poniżej.
Liczba dostępnych miejsc jest ograniczona - sesje prowadzone są w małych grupach, co pozwala na indywidualne podejście i realną wymianę doświadczeń między uczestnikami.
Python 3.10+, dostęp do GPU (opcjonalnie), konto na Google Colab lub własne środowisko lokalne. Lista bibliotek do zainstalowania wysyłana tydzień przed startem.
Zakładamy, że znasz Pythona, rozumiesz podstawy statystyki i miałeś już kontakt z danymi finansowymi. Nie tłumaczymy, czym jest szereg czasowy.
Przez pięć tygodni konstruujemy modele LSTM, Transformer-based i gradient boosting do prognozowania zmienności wybranych indeksów. Każdy model ewaluujemy według metryk stosowanych w praktyce branżowej.
To jeden z największych problemów w tej dziedzinie i poświęcamy mu osobny moduł. Omawiamy walk-forward validation, purged cross-validation i typowe błędy, które psują wyniki backtestów.
Korzystamy z danych z Quandl, WRDS i Yahoo Finance API. Środowisko pracy: Jupyter, scikit-learn, TensorFlow i Optuna do optymalizacji hiperparametrów.
Na zakończenie każdy uczestnik prezentuje własny model z pełną dokumentacją metodologiczną. To materiał, który można pokazać pracodawcy lub klientowi.
