前提：

• 统计学习（统计分析）和机器学习之间的区别
• 金融公司采用机器学习技术及招募相关人才

了解不同类型的机器学习

• 有监督学习 vs 无监督学习
• 迭代和评估
• 偏差方差权衡
• 结合有监督学习和无监督学习（半监督学习）

了解机器学习语言和工具集

• 开源 vs 专有系统和软件
• Python vs R vs Matlab
• 库和框架

了解神经网络

了解金融基本概念

• 了解股票交易
• 了解时间序列数据
• 了解金融分析

金融领域机器学习案例研究

• 信号生成和测试
• 特征工程
• 人工智能算法交易
• 数量贸易预测
• 针对资产组合管理的机器人顾问
• 风险管理和欺诈检测
• 保险承保

实践：用于机器学习的Python

• 设置Workspace
• 获取Python机器学习库和包
• 使用Pandas
• 使用Scikit-Learn

将金融数据导入Python

• 使用Pandas
• 使用Quandl
• 与Excel集成

用Python处理时间序列数据

• 探索你的数据
• 可视化你的数据

用Python实现常见的金融分析

• 收益
• 移动窗口
• 波动性计算
• 普通最小二乘回归（OLS）

用Python监督机器学习开发算法交易策略

• 了解动量交易策略
• 了解逆转交易策略
• 实施你的简单的移动平均线（SMA）交易策略

回溯测试（Backtesting）你的机器学习交易策略

• 学习回测的陷阱
• 你的回测器（Backtester）组件
• 使用Python回测工具
• 实现你的简单回测器

改进你的机器学习交易策略

• KMeans
• K最近邻（KNN）算法
• 分类或回归树
• 遗传算法
• 使用多符号投资组合
• 使用风险管理框架
• 使用事件驱动的回测

评估你的机器学习交易策略的表现

• 使用夏普比率（Sharpe Ratio）
• 计算最大跌幅
• 使用复合年增长率（CAGR）
• 衡量收益的分配
• 使用贸易水平指标
• 总结