Wealthban
Wealthban Ensemble metody ve financích
Znojmo, CZ
+420 585 411 970
Metodika výuky

Jak pracujeme s ensemble metodami v praxi

Výuka není lineární sled přednášek. Každý modul staví na předchozím - od matematického základu přes implementaci až po interpretaci výsledků v reálném finančním kontextu.

Postup výuky krok za krokem

Kurz je strukturován tak, aby účastník v každé fázi věděl, co se od něj očekává a proč. Nejde o encyklopedické pokrytí tématu - jde o zvládnutí konkrétních technik, které mají využití v analýze finančních dat.

  • 01

    Matematický základ a pravděpodobnostní rámec

    Začínáme od základů: co je rozptyl chyby, bias-variance tradeoff a proč jednoduchý model selhává na nestabilních finančních datech. Bez tohoto pochopení není možné správně nastavit ani ladění hyperparametrů.

  • 02

    Bagging a náhodné lesy v kontextu portfolia

    Implementujeme Random Forest pro klasifikaci tržních režimů. Účastníci pracují s reálnými datovými sadami - denními výnosy indexů, volatilitou a makroekonomickými indikátory.

  • 03

    Gradient boosting: XGBoost a LightGBM

    Boosting metody mají jiné předpoklady než bagging. Vysvětlujeme, kdy dává smysl použít XGBoost místo Random Forest - a jak se liší jejich chování při overfittingu na finančních časových řadách.

  • 04

    Stacking a meta-učení

    Kombinace více modelů vyžaduje opatrnost - zejména při cross-validaci na sekvenčních datech. Procházíme purged k-fold a embargo techniky, které zabraňují úniku informací z budoucnosti.

  • 05

    Interpretace a rizika nasazení

    SHAP hodnoty, feature importance a model monitoring - ne jako závěrečný bonus, ale jako součást každého modulu. Model, který neumíme vysvětlit, nemůžeme zodpovědně nasadit.

Vizualizace struktury ensemble modelu při analýze finančních dat
Délka kurzu

Celkem 12 týdnů výuky rozdělených do pěti modulů. Každý modul obsahuje přednášku, praktické cvičení a samostatný projekt k odevzdání.

Průměrná týdenní zátěž
6–8 h kombinace synchronní výuky a samostatné práce
Počet modelů k implementaci
11 od jednoduchých stromů po stacking ensemble

Ensemble vs. jednotlivé modely

Přímé srovnání ukazuje, kde ensemble metody skutečně přidávají hodnotu - a kde je jejich použití zbytečně komplikované. Kurz se snaží být upřímný v obou směrech.

Vlastnost Ensemble model Jednotlivý model
Stabilita predikce ✓ ✗
Interpretovatelnost ✗ ✓
Odolnost vůči šumu ✓ ✗
Rychlost trénování ✗ ✓
Výkon na malých datech ✗ ✓
Výkon na velkých datech ✓ ✗
Vhodnost pro produkci ✓ ✗
Porovnání výkonnosti modelů na finančních datech
Vizualizace chybové analýzy boosting modelu
Proč ne deep learning?

Neuronové sítě jsou v kurzu zmíněny jako kontext - ne jako alternativa. Na strukturovaných finančních datech střední velikosti gradient boosting konzistentně překonává hluboké sítě při výrazně nižší výpočetní náročnosti.

Validace na finančních datech

Standardní k-fold cross-validace nefunguje na časových řadách kvůli datové závislosti. V kurzu pracujeme výhradně s walk-forward validací a purged k-fold - technikách, které respektují temporální strukturu dat.

Datové sady v kurzu

Pracujeme s veřejně dostupnými datovými sadami - akciové indexy, dluhopisové výnosy, makroekonomické indikátory. Žádná syntetická data, žádné zjednodušené příklady.

Softwarové prostředí

Python 3.11, scikit-learn, XGBoost, LightGBM, SHAP. Vše spouštíme v připraveném prostředí - účastník se soustředí na metodiku, ne na konfiguraci závislostí.

Ing. Karolína Dvořáčková, odborná garantka kurzu

Za obsahem kurzu stojí konkrétní člověk

Ing. Karolína Dvořáčková

Odborná garantka · Kvantitativní analýza a strojové učení ve financích

Karolína se věnuje aplikaci ensemble metod na finanční data od roku 2016. Začínala v analytickém oddělení středně velké správcovské společnosti, kde narážela na stejné problémy, které kurz řeší: modely, které fungují v backtestingu, ale selhávají v produkci kvůli chybné validaci.

Obsah kurzu vychází z reálných projektů, ne z učebnic. Každý modul prošel iterací na základě zpětné vazby účastníků - co bylo příliš abstraktní, co chybělo v praktické části. Výsledek je kompromis mezi akademickou přesností a použitelností v praxi.

„Ensemble metody nejsou magické řešení. Jsou to nástroje se svými předpoklady. Kurz se snaží tyto předpoklady vysvětlit poctivě - aby účastník věděl, kdy model použít a kdy hledat jinde."
Více o týmu Wealthban