标签归档:金融

Deep Learning Specialization on Coursera

Coursera专项课程推荐:金融中的机器学习和强化学习(Machine Learning and Reinforcement Learning in Finance Specialization)

Coursera近期新推了一个金融和机器学习的专项课程系列:Machine Learning and Reinforcement Learning in Finance Specialization(金融中的机器学习和强化学习),看起来很有意思。

课程链接:http://coursegraph.com/coursera-specializations-machine-learning-reinforcement-finance

这个专项课程的主要目标是为金融相关的机器学习核心范式和算法奠定坚实的基础而提供必要的知识和实战技能,特别关注机器学习在金融投资中不同的实际问题中的应用。

该系列旨在帮助学生解决他们在现实生活中可能遇到的实际的机器学习问题,包括:

(1)将问题映射到可用的机器学习方法的泛化场景,

(2)选择最适合解决问题的特定机器学习方法,以及

(3)成功实施解决方案,并评估其性能。

该专业课程面向三类学生设计:

· 在银行,资产管理公司或对冲基金等金融机构工作的从业人员

· 对将机器学习应用于日内交易感兴趣的个人

· 目前正在攻读金融学,统计学,计算机科学,数学,物理学,工程学或其他相关学科的学位的全日制学生,这些学生希望了解机器学习在金融领域的实际应用。

这个专项课程由纽约大学推出,包含4门子课程:

Guided Tour of Machine Learning in Finance(金融中的机器学习导览)

http://coursegraph.com/coursera-guided-tour-machine-learning-finance

本课程的目的是提供一个关于机器学习领域的介绍和广泛的概括,重点是机器学习在金融中的应用。目标是让学生了解机器学习是什么,机器学习面向的是什么以及它可以应用于多少不同的金融问题。

This course aims at providing an introductory and broad overview of the field of ML with the focus on applications on Finance. Supervised Machine Learning methods are used in the capstone project to predict bank closures. Simultaneously, while this course can be taken as a separate course, it serves as a preview of topics that are covered in more details in subsequent modules of the specialization Machine Learning and Reinforcement Learning in Finance. The goal of Guided Tour of Machine Learning in Finance is to get a sense of what Machine Learning is, what it is for and in how many different financial problems it can be applied to.

Fundamentals of Machine Learning in Finance(金融中的机器学习基础知识)

http://coursegraph.com/coursera-fundamentals-machine-learning-in-finance

该课程旨在帮助学生解决他们在现实生活中可能遇到的实际机器学习问题,包括:(1)理解所面临的问题并且能够找到合适的机器学习方法大致框架,(2)知道哪个特定的机器学习方法最适合解决该问题,(3)拥有成功实施解决方案并评估其性能的能力。具有一些或不具备机器学习知识的学习者将了解有监督学习和无监督学习,以及强化学习的主要算法,并且将能够使用机器学习开源Python包来设计,测试和实现金融中的机器学习算法。金融机器学习的基础知识将提供更深入的有监督,无监督和强化学习内容,课程将以一个使用无监督学习来实现简单投资组合交易策略的项目作为结束。

The course aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include: (1) understanding where the problem one faces lands on a general landscape of available ML methods, (2) understanding which particular ML approach(es) would be most appropriate for resolving the problem, and (3) ability to successfully implement a solution, and assess its performance. A learner with some or no previous knowledge of Machine Learning (ML) will get to know main algorithms of Supervised and Unsupervised Learning, and Reinforcement Learning, and will be able to use ML open source Python packages to design, test, and implement ML algorithms in Finance. Fundamentals of Machine Learning in Finance will provide more at-depth view of supervised, unsupervised, and reinforcement learning, and end up in a project on using unsupervised learning for implementing a simple portfolio trading strategy.

Reinforcement Learning in Finance(金融中的强化学习)

http://coursegraph.com/coursera-reinforcement-learning-in-finance

本课程旨在介绍强化学习的基本概念,并开发用于期权评估,交易和资产管理的强化学习应用的用例。先修课程是“金融中的机器学习导览”和“金融中的机器学习基础”课程。

This course aims at introducing the fundamental concepts of Reinforcement Learning (RL), and develop use cases for applications of RL for option valuation, trading, and asset management. Prerequisites are the courses “Guided Tour of Machine Learning in Finance” and “Fundamentals of Machine Learning in Finance”.

Overview of Advanced Methods of Reinforcement Learning in Finance(强化学习在金融中的高级方法概述)

http://coursegraph.com/coursera-advanced-methods-reinforcement-learning-finance

在这个系列的最后一个课程“强化学习在金融中的高级方法概述”中,将深入研究第三门课程“金融中的强化学习”中讨论的主题。特别是将讨论强化学习,期权定价和物理学之间的联系,逆向强化学习对建模市场影响和价格动态的影响,以及强化学习中的感知行动周期。最后,将概述强化学习在高频交易,加密货币,点对点借贷等方面的趋势和潜在应用。

In the last course of our specialization, Overview of Advanced Methods of Reinforcement Learning in Finance, we will take a deeper look into topics discussed in our third course, Reinforcement Learning in Finance. In particular, we will talk about links between Reinforcement Learning, option pricing and physics, implications of Inverse Reinforcement Learning for modeling market impact and price dynamics, and perception-action cycles in Reinforcement Learning. Finally, we will overview trending and potential applications of Reinforcement Learning for high frequency trading, cryptocurrencies, peer-to-peer lending, and more.

注:原创文章,转载请注明出处“课程图谱博客”:http://blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/coursera课程金融中的机器学习和强化学习-machine-learning-and-reinforcement-learning-in-finance http://blog.coursegraph.com/?p=867

经济学/金融学公开课盘点

之前有朋友在课程图谱的QQ群里(群号:244689946)询问过是否能够对经济学/金融领域的公开课课程进行一次汇总。在进行了相关资料的收集和整理以后,课程图谱将目前MOOC平台上有关经济/金融方面的课程进行简单的整理。鉴于目前有大量的相关课程,本篇挑选了比较重要的一些进行罗列,希望能够给大家一个比较完整纲领.

经济学领域

微观经济学

1. 宾夕法尼亚大学的Principles of Microeconomics

2.UCIrvine的The Power of Microeconomics: Economic Principles in the Real World

3.伊利诺伊大学香槟分校的Microeconomics Principles

@ototsuyume:总的来说这门微观经济学是不错的课程,即使只完成quiz也能拿到证书。假如时间多又想锻炼一下英语的话也可以去做project,每个project都完成了后据说证书上有特殊的标识。不过这门课没有ppt,老师提倡的做法是反复观看你不懂的那部分的视频,看到懂为止,这就是mooc的好处,问题在于对于时间不多的人来说,这是十分花费时间的过程

以上几门都是比较传统的微观经济学课程,主要都介绍了“供给-需求”,“资源分配”,“竞争”等等比较经典的微观经济学概念,各位可以根据自己的情况选择一门进行学习。

4.斯坦福大学的Game Theory

@wzyer:我只上过这个课的第一轮,不得不说,不算是一个太好的体验。总体课程显得内容很多,进度很快。不过据说后面开课做了很大优化,我就不清楚了。

社会网络属于一门数学、计算机、经济学、社会学的交叉学科,鉴于微观经济学的重点在于讲授经济学领域的工具,所以将有关社会网络的课程暂时列入微观经济学领域:

5.宾夕法尼亚大学的Networked Life

6.密歇根大学的Social Network Analysis

@MrDeadline:拿到了证书。这门课难度不是很大,每周的homework都是选择题且可以多次尝试得到满分,编程作业只有四次,偏简单。Lada介绍了很多概念,但都仅涉及初级部分,作为入门了解课程挺不错。编程作业虽然很少,但是用到了不同的SNA工具,特别是Gephi可视化工具的大量使用,我觉得可以激发很多学生继续学习这个领域的兴趣。

7.北京大学的人群与网络 People & Networks

8. 康乃尔大学的Networks, Crowds and Markets:其中两位讲师Jon Kleinberg和Eva Tardos是经典教材Algorithm Design的合作者

宏观经济学:

1.墨尔本大学的Principles of Macroeconomics

2. UCIrvine的The Power of Macroeconomics: Economic Principles in the Real World

3.威斯康星大学的Markets with Frictions

宏观经济学从某种角度上说属于微观经济学的进阶,通过从微观经济学学到的工具来分析和解决现实社会中比较宏观层面的问题

计量经济学/数学:

1. 加州理工的Principles of Economics with Calculus:据称该门课程的内容和难度与加州理工本校的课程完全一致,将有很大一块比重在数学模型上。需要一定的数学基础

2. 华盛顿大学的Mathematical Methods for Quantitative Finance

@钛合金蛙眼 :内容包括微积分,线性代数,最优化再捎带一些金融知识,都是数据挖掘和机器学习数学基础(除了概率统计),老师也讲的很清楚,只可惜没有证书,UW开的几门课程都不错

3. 华盛顿大学的Introduction to Computational Finance and Financial Econometrics

@要有光LTBL:前几周难度略低,从第7周左右才真正开始讲有趣的,前面还是概率统计什么的为主。作业基本上属于太简单(当然这是本科课)。。。R的覆盖还是不错的,视频虽然是课上录的但是质量还可以,不过不能下载视频和没有statement of accomplishment是挺讨厌的。

对于数学基础比较薄弱的朋友,课程图谱博客整理了数学方面的公开课方便各位根据自己的需求进行选择:http://blog.coursegraph.com/数学基础公开课汇总

金融学领域

投资学与资产定价:

1.密歇根大学的Introduction to Finance:该课属于Coursera在中国最受欢迎的课程之一,覆盖了股票、债券,以及资产定价的基础知识,属于不错的入门选择

@Exolution:我之后再听沃顿商学院Franklin Allen教授的Introduction to Coporate Finance的课程时,觉得非常流畅顺利,相信除了因为沃顿的课程本身品质不错外,之前Gautam Kaul教授的这门课还是起了很大帮助的。尽管内容不够紧凑丰富,但是对于新人来说这门课还是不错的金融入门课。 (点击查看完整评论..)

@ototsuyume:这门课跟ng的机器学习貌似是coursera最热门的三门课之一,内容很基础,连期货期权这些都没涉及到。但是作业有点难度,主要是老师上课的讲的例子太少也很简单。给的资料不是很多,课后作业的题解也只给了一道题目的讲解。要是给的资料啊题解什么的多一些就好了

2. 芝加哥大学的Asset Pricing:芝加哥大学是经济学和金融领域的重镇,该门课程属于PHD级别的课程,据称有相当的难度。对于有一定基础的朋友可以尝试一下。

3. 佐治亚理工的Computational Investing, Part I:该门课程适合计算机领域背景的朋友,希望能够了解一些金融学知识和金融交易方面的技巧。

货币银行学:
1. 耶鲁大学的Financial Markets:该课的讲师Bob Shiller获得了2013年的诺贝尔经济学奖。重量级的人物请自授课,千万不要错过

2. 哥伦比亚大学的Economics of Money and Banking, Part One

3. 哥伦比亚大学的Economics of Money and Banking, Part Two

金融工程和风险管理:

1. 哥伦比亚大学的Financial Engineering and Risk Management Part I

2. 哥伦比亚大学的Financial Engineering and Risk Management Part II

该领域主要是通过介绍和分析金融衍生品例如期权、互换等工具来进行盈利和风险对冲

财务:

1. 沃顿商学院的An Introduction to Financial Accounting:

@范昊坤:1. 课程完全为网络学习设计,视频精心制作,PPT课件和案例详尽。对于有那么一点聊胜于无的底子的我来说(十几年前学过一点基础的会计,基本了解资产负债表和借贷平衡,更多的就早已经还给老师了),难度应该正好,内容深入浅出。如果是完全没有接触过会计的童鞋,在最初两周的学习过程中可能会略微吃力一点,但是应该很快就能和我的基础齐平了。不过即便如此,后几周的课程还是略有点难度的,做作业的时候经常需要翻笔记,考试时如果不能对会计有大概的融会贯通的话,想拿高分或者满分还是略有难度的,所以切不可掉以轻心。(点击查看完整评论…)

@超級現實的超現實理想主義者: 能把会计这么无聊的一门课讲到这种程度确实不容易,讲师Brian Bushee在最后告别视频里说,大意就是:之前会计师协会的人对他说MOOC虽然很火,但是这把火是烧不到会计这门课,他想用实际行动证明他们错了。
我觉得他做到了,向他致敬!(点击查看完整评论…)

2. 清华大学的财务分析与决策:该课一上线就受到了广泛的好评

3. 沃顿商学院的Corporate Finance:

@范昊坤:作为沃顿四门MBA入门课程之一的这门课可圈可点,待俺慢慢八来。
1. Dr. Allen是学界牛人,教科书Principles of Corporate Finance的合著者之一。据童鞋们指出是一口地道的牛津腔。老师说话慢条斯理,灰常柔和,声线可谓很有特色,对于我来说,听了几周以后,慢慢也就习惯了(点击查看完整评论…)

@Exolution: 课程内容安排的非常紧凑,虽然时间短但是相比Gautam Kaul教授的课程内容广度和讨论深度都胜一筹。不过,Franklin Allen教授这门课上,假设公司只通过发行股票筹集资金,所以不存在根据负债比例调整股票期望收益率的问题,WACC模型自然没出场的份了,这部分内容得去Gautam Kaul教授课上补。此外,这门课可以不看听课,但是Notes必须得研究。Notes写的很详细,而视频上就比较粗的过一遍,然后针对课上学生提问的地方稍微详细的讲解一下。所以这门课如果不研究Notes,只看视频的话,恐怕会很难理解的。而且Franklin Allen教授第一节课也明确要求了需要读Notes,不读的话听不懂课可不能抱怨课讲得不好哦(点击查看完整评论…)

行为金融学:

1. 杜克大学的A Beginner’s Guide to Irrational Behavior:该课虽然属于心理学领域,但是对于了解行为经济学(金融学)会有很大的帮助和指导意义

@点儿618: 这是我上过的最好的课程,没有之一。从这门课的制作可以看出,大名鼎鼎的《怪诞行为学》作者Dan Ariely的成功真的不是偶然。和其他课程比起来,他是经过精心准备的,每一个视频、课程结构都是经过精心设计的。并不是在办公室或者家里拿个摄像头随便一录。他尽量用图片的语言帮助你理解,即使英文不够好,借助字母和他的图片,也能明白大意。他还在每周课程一开始讲一个笑话。有完备的reading list,分为必读和选读。每周有office hour。还请了其他心理学家客串讲座。
总之,整个课程的制作都非常用心,水平很高。内容又不是任何一本教材,而是非常贴近生活的行为经济学。
可以轻松愉快地学到这些有用的东西。
上完了这个课,Dan完全替代了前任,成为了这阶段我最喜爱的心理学家。

 

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接:http://blog.coursegraph.com/经济学金融学公开课盘点