16 - MACHINE LEARNING

À propos de ce module

<p style="text-align: left;">Ce module introduit les principales techniques de Machine Learning appliquées à la finance de marché. Vous y étudierez les fondamentaux de l'apprentissage supervisé et non supervisé, avant d'explorer les algorithmes les plus utilisés en pratique : régression, arbres de décision, forêts aléatoires et réseaux de neurones. Le module couvre également la construction et l'évaluation de modèles prédictifs sur données financières, la gestion du surapprentissage, ainsi que les applications concrètes en trading algorithmique, scoring de risque et détection d'anomalies.</p>

Sommaire

1. 1

   Régression linéaire

   • 1- Cas d'usage
   • 2- Définition et formules
   • 3- Méthode d'apprentissage
   • 4- Évaluation du modèle
2. 2

   Régression logistique

   • 1- Les cas d'usage
   • 2- Définition, formules et visualisation
   • 3- Modélisation
   • 4- Évaluation et calibration
3. 3

   Arbre de décisions

   • 1- Cas d'usage
   • 2- Définition
   • 3- Notions d'impureté
   • 4- La forêt aléatoire
   • 5- Boosted trees
   • 6- Évaluation
4. 4

   Séries temporelles

   • 1- Cas d'usage
   • 2- Vue d'ensemble
   • 3- Données stationnaires
   • 4- Modèle AR
   • 5- Modèle MA
   • 6- Composante "S"
   • 7- Composante exogène
   • 8- Évaluation
5. 5

   Clustering, KNN et SVM

   • 1- Introduction à l’apprentissage non-supervisé
   • 2- L’algorithme des K-means
   • 3- L’algorithme DBSCAN
   • 4- Évaluation
   • 5- L’algorithme K-Nearest Neighbours
   • 6- L’algorithme Support Vector Machine