Ulasan

Judul/Tautan

Machine Learning for Trading by Georgia Tech (di Udacity)

Pengajar

• Prof Tucker Balch – Georgia Institute of Technology
• Devpriya Dave – Georgia Institute of Technology

Level

Pemula

Biaya

Gratis

Durasi

• 4 minggu
  • Dengan asumsi rata-rata komitmen belajar 6-8 jam per minggu
  • Waktu belajar fleksibel
• atau 5-7 hari full time
• Durasi total video: 08:39:55

Format

Kursus online (MOOC)

Tahun Dibuat

2015

Penilaian Saya

 (3)

Penilaian oleh Situs Lain

• Class Central:  (rating 3 oleh 13 murid) (lihat review)
• Course Talk:    N/A             (belum ada rating) (lihat laman)

Status Saya

Selesai mengikuti

Ikhtisar

Kursus ini dibagi dalam tiga bagian, yaitu 1) pengenalan Python untuk komputasi numerik, 2) pengenalan pasar saham, dan 3) penggunaan machine learning untuk trading saham.

Bagian 1 cukup bagus bagi Anda yang sudah sedikit mengenal Python dan ingin belajar tentang penggunaan Python untuk komputasi numerik dengan Numpy, Panda, dan Matplotlib.

Adanya bagian pengenalan Python ini membuat saya berpikir akan ada praktek pemrograman yang signifikan di kursus ini. Tapi ternyata tidak ada. Praktek pemrograman hanya ada di bagian 1, dan selebihnya sama sekali tidak ada pemrograman.

Untuk bagian 2 pengenalan pasar saham materinya diajarkan dari dasar juga sehingga pemula yang belum mengetahui pasar saham akan mudah mengikuti. Kalaupun Anda sudah mengenal pasar saham, tetap ada manfaat karena diajarkan bagaimana menilai pasar saham secara quantitative, dengan metrik seperti alpha, beta, Sharpe ratio, dsb.

Untuk bagian ketiga yaitu machine learning for trading, sekali lagi kita juga akan diajarkan dari dasar, dari pengenalan machine learning itu sendiri. Karena tujuannya adalah lebih untuk memberikan ide penggunaan ML untuk trading dan bukan pendalaman ML secara umum, maka tidak banyak model ML yang dibahas, hanya linear regression dan KNN (K nearest neighbor), dan tentang  reinforcement learning. Masing-masing topik juga akan dijelaskan dari awal. Setelah itu ada introduksi tentang topik-topik yang cukup advanced untuk mengoptimalkan model kita, misalnya ensemble, bagging, dan boosting untuk supervised learning, dan Q-learning dan dyna untuk topik RL.

Secara umum, menurut saya kursus ini tidaklah dalam maupun luas, sehingga sifatnya adalah lebih untuk menambah wawasan bagi pemula, dan bukan untuk agar Anda benar-benar menguasai topik tersebut. Dan kursus ini cukup menarik untuk memberi Anda ide tentang bagaimana menggunakan ML untuk trading, serta beberapa isu yang mungkin akan Anda jumpai kalau mengimplementasikannya beserta pengetahuan untuk mengatasinya.

Persyaratan

•  Pengetahuan dasar tentang bahasa Python

Lingkup Materi

Seperti dijelaskan dalam ikhtisar di atas, kursus ini terbagi dalam tiga bagian:

•  Bagian 1: Manipulating Financial Data in Python,
•  Bagian 2: Computational Investing,
•  Bagian 3: Machine Learning Algorithms for Trading.
•  Bonus: audio interview dengan Tammer Kamel, salah satu praktisi machine learning for trading. Sangat menarik interviewnya karena dia banyak bicara tentang pengalaman di dunia nyata serta tip-tip untuk melakukan ML for trading.

Untuk melihat materi dengan lebih detil, silakan lihat bagian Silabus di bawah.

Untuk semua bagian, menurut saya materinya tidak dalam dan juga tidak luas, sehingga kursus ini lebih cocok untuk sekedar tambahan informasi saja.

Rating untuk lingkup materi: 

Pengajaran

•  Pengajar sangat jelas dalam menjelaskan setiap topik. Prof Tucker sendiri walaupun tampangnya agak-agak sombong atau “boring“, tapi ternyata orangnya kocak juga.
•  Tidak ada PDF dari slides yang bisa diunduh

Rating untuk pengajaran:

Pemrograman

•  Kuis interaktif pemrogramannya cukup asyik. Dengan platform pemrograman interaktif Udacity, kita edit programnya di browser, lalu submit program tersebut untuk dinilai sebagai jawaban dari kuis.
•  Sayangnya tidak ada tugas pemrograman yang berarti, hanya ada kuis-kuis pemrograman kecil (1-2 baris program) di bagian 1.
•  Untuk bagian 2 dan 3 sama sekali tidak ada praktek pemrograman. Jadi untuk apa ada pengenalan Python di bagian 1? Jawabnya adalah karena kursus ini sebenarnya adalah materi gratis dari kursus lain yang berbayar, dan praktek pemrograman hanya ada di kursus versi berbayarnya. Dalam hal ini, kursus ini adalah materi dari kelas CS 7646 dari Georgia Tech, yang merupakan bagian dari OMS CS (Online Master of Science in Computer Science) dari Georgia Tech, yang tentunya tidak gratis (kalau Anda tertarik, biaya total kurang lebih USD $6600). Kalau Anda ikut kelas CS 7646 di OMS CS, akan ada praktek pemrograman secara penuh. Sementara kalau ikut MOOC-nya di Udacity, tidak ada.
•  Numpy dan Panda versi lama (misalnya df.ix() deprecated, pd.rolling_*() deprecated)

Rating untuk pemrograman: 

Dukungan

•  Dukungan forum sangat kurang. Sebagian besar pertanyaan tidak terjawab karena tidak ada mentor yang “bertugas” untuk menjawab.

Rating untuk dukungan: 

Silabus

Berikut adalah silabus detil dari kusus ini. Durasi total semua video adalah 08:39:55.

Introduction [03:54]

1. Introduction [03:54]
   1. Introduction [01:30]
   2. Three parts to the course [01:02]
   3. Textbooks [00:36]
   4. Prerequisites [00:46]

Bagian 1 – Manipulating Financial Data in Python [03:26:37]

1. Reading and plotting stock data [19:11]
2. Working with multiple stocks [29:58]
3. The power of NumPy [35:37]
4. Statistical analysis of time series [23:03]
5. Incomplete data [13:10]
6. Histograms and scatter plots [23:54]
7. Sharpe ratio and other portfolio statistics [21:31]
8. Optimizers_ Building a parameterized model [28:24]
9. Optimizers_ How to optimize a portfolio [07:55]

Bagian 2 – Computational Investing [02:38:32]

1. Market Mechanics [26:34]
2. The Capital Assets Pricing Model (CAPM) [21:58]
3. How hedge funds use the CAPM [13:28]
4. Technical Analysis [22:21]
5. Dealing with Data [21:27]
6. Efficient Markets Hypothesis [11:12]
7. The Fundamental Law of active portfolio management [25:26]
8. Portfolio optimization and the efficient frontier [16:06]

Bagian 3 – Machine Learning Algorithms for Trading [02:15:36]

1. How Machine Learning is used at a hedge fund [24:05]
2. Regression [18:44]
3. Assessing a learning algorithm [20:50]
4. Ensemble learners, bagging and boosting [14:15]
5. Reinforcement learning [23:09]
6. Q-Learning [23:59]
7. Dyna [10:34]

Interview with Tammer Kamel [19:10]

1. Interview with Tammer Kamel Part 1 [08:17]
2. Interview with Tammer Kamel Part 2 [10:53]

Cuplikan

Berikut contoh sesi video agar Anda lebih bisa membayangkan suasana pelajarannya. Silakan klik untuk memainkan.

 

Video introduksi untuk bagian 2 computational investing:

Video introduksi untuk bagian 3 machine learning for trading:

Salah satu video di topik reinforcement learning: