Alberi Decisionali per la Previsione dei Trend di Mercato
Scopri come il machine learning sta trasformando l'analisi dei cluster di portafoglio e partecipa a questo evento dedicato alle tecniche più recenti.
Programma dell'evento
Struttura didattica
-
Modulo 1: Introduzione agli alberi
Logica di funzionamento degli alberi decisionali. Algoritmi CART e ID3. Metriche di impurità: Gini e entropia.
-
Modulo 2: Preparazione dati finanziari
Estrazione di feature da serie temporali. Creazione di indicatori tecnici. Gestione di dati mancanti in dataset finanziari.
-
Modulo 3: Costruzione e tuning
Implementazione con scikit-learn. Potatura degli alberi. Ottimizzazione di profondità massima, numero minimo di campioni e criteri di split.
-
Modulo 4: Ensemble methods
Random forest e bagging. Gradient boosting per problemi finanziari. Confronto tra XGBoost, LightGBM e CatBoost.
-
Modulo 5: Applicazioni reali
Previsione di trend settimanali su indici azionari. Classificazione di regimi di volatilità. Backtesting di strategie basate su alberi.
Cosa imparerai
Modelli non lineari per i mercati finanziari
Utilizza alberi decisionali e random forest per catturare relazioni complesse nei dati di mercato che i modelli lineari non riescono a identificare.
Il corso si focalizza sull'applicazione di algoritmi ad albero per classificare condizioni di mercato e prevedere direzioni di prezzo su orizzonti temporali brevi e medi. Lavora con dati storici di indici azionari, tassi di cambio e materie prime, integrando indicatori tecnici e fondamentali.
Dalla teoria alla pratica operativa
Esplora la struttura degli alberi decisionali, comprendendo come l'algoritmo seleziona le variabili di split e determina le soglie ottimali. Passa poi alle foreste casuali, ensemble di alberi che riducono la varianza e migliorano la generalizzazione.
- Feature engineering per serie temporali finanziarie
- Ottimizzazione degli iperparametri tramite grid search
- Analisi dell'importanza delle variabili predittive
- Bilanciamento di dataset con classi sbilanciate
La formatrice Elena Baldovino presenta strategie concrete utilizzate da fondi quantitativi, con particolare attenzione alla prevenzione di bias da lookahead e all'impatto dei costi di transazione.
Prerequisiti tecnici
Conoscenza base di Python e familiarità con i concetti fondamentali di statistica. Non è richiesta esperienza pregressa in machine learning.Distribuzione degli argomenti
Hai domande?
Scrivimi direttamente a support@vandlorek.com per maggiori dettagli sull'evento o per ricevere il link di partecipazione.
Resta aggiornato
Visita la pagina eventi per scoprire altri appuntamenti dedicati al machine learning nell'analisi dei portafogli finanziari.