Strojové učení
pro finanční trhy
Finanční data jsou složitá a neklidná. Ensemble modely - od náhodných lesů po gradient boosting - dávají analytikům nástroje, které s touto složitostí pracují systematicky, nikoli ji ignorují.
kurzů
hodnocení
vzniku
Wealthban - vzdělávání s analytickou přesností
Wealthban vzniklo jako reakce na konkrétní mezeru: finanční analytici a datový vědci pracující s tržními daty potřebují dobré porozumění ensemble metodám, ale existující kurzy buď sklouzávají k přílišné teorii bez kontextu, nebo se zaměřují na obecné ML bez specifik finančních časových řad. Naše kurzy tyto dvě oblasti propojují.
Zaměřujeme se výhradně na ensemble přístupy - bagging, boosting a stacking - a jejich chování na finančních datech. To zahrnuje práci s nerovnoměrně vzorkovanými časovými řadami, problém look-ahead bias při validaci modelů, interpretaci výstupů pomocí SHAP hodnot a volbu správných metrik pro finanční predikce, kde chyba nejsou jen čísla, ale náklady.
Výuka probíhá plně online a je strukturována tak, aby respektovala pracovní vytížení účastníků. Každý modul je samostatně uzavřený - lze ho absolvovat i bez navazujícího kontextu, ale logicky na předchozí navazuje. Pracujeme s reálnými datovými sadami z veřejně dostupných finančních zdrojů, nikoli s upravenými příklady.
Náhodné lesy a bagging
Aplikace na klasifikaci tržních režimů a odhad volatility. Důraz na správnou cross-validaci při časových datech.
Gradient boosting
XGBoost, LightGBM a CatBoost v kontextu predikcí finančních instrumentů s asymetrickými ztrátovými funkcemi.
Stacking a blending
Kombinování heterogenních modelů - jak správně definovat meta-learner a kdy stacking přináší skutečnou přidanou hodnotu.
Interpretace a rizika
SHAP hodnoty, permutation importance a diagnostika overfittingu v prostředí s nízkým poměrem signálu k šumu.
„Kurz mě přinutil přehodnotit, jak přistupuji k validaci modelů. Problém look-ahead bias jsem podceňoval - teď vím proč je to zásadní chyba."
Kvantitativní analytik, Praha
„Oceňuji, že kurz nepředstírá, že modely fungují vždy. Diskuze o tom, kdy ensemble metody selhávají, byla pro mě nejcennější část."
Datová vědkyně, Brno
Radovan Štěpánek
Vedoucí lektor a analytik
Pracoval jako kvantitativní analytik v sektoru správy aktiv, kde se věnoval prediktivním modelům pro alokaci portfolia. Ensemble metody používal prakticky dříve, než se stal lektorem - kurzy staví na konkrétních zkušenostech s tím, co funguje a co ne.