Autoplay
Autocomplete
Previous Lesson
Complete and Continue
Python for Finance
Introduction and installation V2
Introduction V2 (39:42)
āļāļģāđāļĄāđāļĨāļ·āļāļāđāļāđāļ āļēāļĐāļē Python (3:10)
āļāļīāļāļāļąāđāļ Anaconda (4:59)
Course Resource
Section 1 Data Management
Lecture: āļāļđāļ āļēāļāļĢāļ§āļĄāļāđāļāļĄāļđāļĨ (5:20)
Coding: import Library āđāļĨāļ° āļāđāļēāļ CSV (7:42)
Coding: āļāļđāļ āļēāļāļĢāļ§āļĄāļāđāļāļĄāļđāļĨāļāđāļ§āļĒ .info() āđāļĨāļ° .descrive() (7:34)
Lecture: āļāļēāļĢāļāļģāļāļēāļāļāļąāļ DataFrame (4:22)
Coding: āđāļāđ .iloc() āđāļĨāļ·āļāļāļāđāļ§āļāđāļ§āļĨāļēāļāđāļāļĄāļđāļĨ (5:03)
Coding: āđāļāđ .loc() āđāļĨāļ·āļāļāļāđāļ§āļāđāļ§āļĨāļēāļāđāļāļĄāļđāļĨ (2:01)
Coding: āļāļēāļĢāđāļāđāļēāļāļķāļ Column (2:41)
Coding: āļāļēāļĢāđāļāđāļēāļāļķāļ Column āđāļāļāļĄāļĩāđāļāļ·āđāļāļāđāļ (7:00)
Lecture: āļāļēāļĢ Resample Lead Lag āđāļĨāļ° Moving Average (3:29)
Coding: āļāļĢāļąāļāđāļāļĨāļĩāđāļĒāļ Time Frame āļāđāļāļĄāļđāļĨāļāđāļ§āļĒ .Resample() (8:06)
Coding: Lead Lag āļāđāļāļĄāļđāļĨāļāđāļ§āļĒ .shift() (1:51)
Coding: āļŠāļĢāđāļēāļ Moving Average (3:42)
Coding: āļŠāļĢāđāļēāļ Subplot (5:06)
Coding: āļŠāļĢāđāļēāļāļāļĢāļēāļāđāļāđāļāđāļāļĩāļĒāļ āđāļĨāļ° āđāļāļ§āļĢāļąāļāđāļāļ§āļāđāļēāļāļāđāļ§āļĒ mplfinance (6:13)
Section 2 Data Source
Lecture: āđāļĢāļēāļāļ°āļŦāļēāļāđāļāļĄāļđāļĨāļāļēāļĢāļĨāļāļāļļāļāđāļāđāļāļĩāđāđāļŦāļāļāđāļēāļ (3:16)
Coding: āļĨāļ package yfinance (2:50)
Coding: āļĢāļđāđāļāļąāļ yahoo finance āđāļĨāļ° āļāļāļĨāļāļāļāļķāļāļāđāļāļĄāļđāļĨ (7:49)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļāļāļāļēāļĢāđāļāļīāļ (3:25)
Coding: āļāđāļāļĄāļđāļĨāđāļāļ°āļāļģāļāļēāļĢāļĨāļāļāļļāļ (2:56)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļŦāļļāđāļāļāļĩāļĨāļ°āļŦāļĨāļēāļĒāļāļąāļ§ (3:42)
Coding: āļāļķāļāđāļāļāļēāļ°āļāđāļāļĄāļđāļĨāļĢāļēāļāļē Open High Low Close Volume (7:17)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļĢāļēāļāļēāļŦāļĨāļēāļĒāļāļąāļ§ (2:55)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļŦāļļāđāļāđāļāļāļĨāļļāđāļĄ Dow Jones Industrial Average (5:57)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļŦāļļāđāļāđāļāļāļĨāļļāđāļĄ SET100 (3:00)
Coding: āļāļīāļāļāļąāđāļ package Quandl (Nasdaq Data Link) (1:47)
Lecture: āļĢāļđāđāļāļąāļāļāļąāļ Nasdaq Data Link (3:52)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨ Quandl āļāđāļēāļ API (6:52)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļāļēāļ Siamchart (3:29)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļāļēāļ Siamcahrt āļĄāļēāđāļāđāļ DataFrame (7:48)
Coding: āđāļāļĩāļĒāļāļāļąāļāļāđāļāļąāđāļāđāļĨāļ·āļāļāļŦāļļāđāļāļĢāļēāļĒāļāļąāļ§āļāļēāļ DataFrame (6:48)
Lecture: āļĢāļđāđāļāļąāļāļāļąāļ Library 2 āđāļāļ (2:38)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļāđāļēāļ Function āđāļ util.py (2:52)
Coding: Export CSV (4:17)
Lecture: āļāļēāļĢāļāļąāļāļāļēāļĢāļāļąāļ Missing Value āđāļĨāļ°āļāļēāļĢ Normalization āļāđāļāļĄāļđāļĨ (1:56)
Coding: Missing Value (4:06)
Coding: Normalization āļāđāļāļĄāļđāļĨ (2:39)
Section 3 Statistics
Lecture: āļĢāļđāđāļāļąāļāļāļąāļ Return 2 āļāļĢāļ°āđāļ āļ (4:31)
Coding: āļ§āđāļēāļāđāļ§āļĒ Simple Return (5:58)
Coding: āļ§āđāļēāļāđāļ§āļĒ Log Return (3:28)
Coding: āļ§āđāļēāļāđāļ§āļĒ Log Return (āļāđāļ) (6:50)
Lecture: āļāļēāļĢāđāļāļāđāļāļāļāļĢāļāļāļī(Normal Distribution) (6:42)
Coding: āļ§āđāļēāļāđāļ§āļĒāļāļēāļĢ Random āđāļĨāļ° Histogram (8:05)
Coding: āļāļēāļĢāđāļāļāđāļāļāļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļāđāļāļĩāļĒāļāļāļąāļāļāļĪāļĐāļāļĩ āđāļŦāļĄāļ·āļāļāļŦāļĢāļ·āļāļāđāļēāļāļāļąāļāļāļĒāđāļēāļāđāļĢ (5:00)
Lecture: āļ§āđāļēāļāđāļ§āļĒ Mean Median āđāļĨāļ°āļāļģāļāļ§āļēāļĄāđāļāđāļēāđāļāļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļ(Variance) āđāļĨāļ° āļŠāđāļ§āļāđāļāļĩāđāļĒāļāđāļāļāļĄāļēāļāļĢāļāļēāļ(Standard Deviation) (6:06)
Coding: āļāđāļēāđāļāļĨāļĩāđāļĒ(Mean) āđāļāļĢāļĩāļĒāļāđāļāļĩāļĒāļ āļāđāļēāļĄāļąāļāļĒāļāļēāļ(Median) āđāļĨāļ°āļāļēāļĢāļāļĩāļāļ§āļēāļĄ (6:24)
Coding: āļāļđāļāļģāđāļŦāļāđāļāļāļāļāļāđāļāļĄāļđāļĨāļāđāļ§āļĒ Quartile āđāļĨāļ° Percentile (7:59)
Coding: āļĢāļđāđāļāļąāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāļāļāļāļēāļĢāļĨāļāļāļļāļāļāđāļ§āļĒāļāļēāļĢāđāļāđāļēāđāļāļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļ (Variance) (9:10)
Coding: āļŠāđāļ§āļāđāļāļĩāđāļĒāļāđāļāļāļĄāļēāļāļĢāļēāļāļēāļ (Standard Deviation)āļŦāļĢāļ·āļ Volatility (1:33)
Coding: āļāļđāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ (3:28)
Coding: mini project āļŦāļē outlier āļāļāļ return āļāđāļ§āļĒ z-score 1 (3:17)
Coding: mini project āļŦāļē outlier āļāļāļ return āļāđāļ§āļĒ z-score 2 (7:57)
Lecture: āļŦāļļāđāļāļŠāļāļāļāļąāļ§āļĄāļąāļāļāļķāđāļāļĨāļāļāļēāļĄāļāļąāļāđāļāđāđāļŦāļ? āļĢāļđāđāļāļąāļāļāļąāļ Covariance āđāļĨāļ° Correlation (10:45)
Coding: āļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļāļĢāđāļ§āļĄ (Co-variance) (10:37)
Coding: Correlation (4:04)
Coding: āļāļđ Correlation āļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ (5:26)
Coding: āļāļđ correlation āļĢāļ°āļŦāļ§āđāļēāļāļāļĨāļļāđāļĄāļŦāļļāđāļ (7:18)
Coding: āļāļđāļāļ§āļēāļĄāļŠāļąāļĄāļāļąāļāļāđāļāļāļāļŦāļļāđāļāđāļĨāļ°āļāļąāļ§āļĄāļąāļāđāļāļāļāđāļ§āļĒ Autocorrelation (3:31)
Coding: āļāļđāļāļēāļĢāđāļāļāđāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļāļāļĩāđāđāļāđāļ Fat tail āļāļąāļāļāđāļāļĄāļđāļĨāļāļĩāđāđāļāļāđāļāļāļāļēāļĄ āļāļĪāļĐāļāļĩ (7:07)
Section 4 Value at Risk
Lecture: āļāļĢāļ°āđāļĄāļīāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāļāļāļāļēāļĢāļĨāļāļāļļāļāļāđāļ§āļĒ Value at Risk (6:34)
Coding: Value at Risk(VaR) āđāļāļāđāļĄāđāđāļāđāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđ (8:05)
Coding: Value at Risk(VaR) āđāļāļāđāļāđāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđ (7:00)
Lecture: Conditional Value at Risk āļŦāļēāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļŦāļĨāļąāļāļāļēāļāļāļļāļāļŦāļāļķāļ VaR āļāļąāļ (1:43)
Coding: Conditional Value at Risk (Expected Shortfall) (4:17)
Lecture: āļĄāļēāđāļāđ Cornish-Fisher expansion āļĄāļēāđāļāļīāđāļĄāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļāđāļŦāđ VaR āđāļāļāļĄāļĩāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđāļāļąāļāļāļĢāļąāļ (7:40)
Coding: Cornish-Fisher Value at Risk (9:02)
Section 5 Time Series
Coding: āđāļĒāļāļāļāļāđāļāļĢāļ°āļāļāļāļāļāļ Time Series āļāđāļ§āļĒ Decompose (9:07)
Coding: āļāđāļēāļ§āđāļĢāļāļāļāļāļāļēāļĢāļāļģāļāļēāļĒāļāđāļ§āļĒāļāļēāļĢāđāļĄāđāļāļĨāļĢāļēāļāļēāļāļāļāļāļģāļāđāļ§āļĒ exponentially weighted moving average (EWMA) (8:58)
Coding: Holt Linear Trend āđāļĨāļ° Holt-Winter (6:20)
Coding: āļāļāļŠāļāļāļāļ§āļēāļĄāđāļāđāļ stationary āļāļāļāļāđāļāļĄāļđāļĨāļāđāļ§āļĒ Augmented DickeyâFuller test(ADF test) (6:14)
Coding: āļāļģāđāļŦāđ Non-stationary āđāļāđāļ Stationary (3:38)
Coding: āļĢāļđāđāļāļąāļāļāļąāļāļāļ§āļēāļĄāļŠāļŦāļŠāļąāļĄāļāļąāļāļāđāļāļąāļāļāļąāļ§āđāļāļāļāļēāļāļŠāđāļ§āļ partial autocorrelation function ( PACF) (7:19)
Coding: āļāļģāļāļēāļĒāļĢāļēāļāļēāļāļāļāļāļģāļāđāļ§āļĒ Autoregressive integrated moving average (ARIMA) 1 (6:17)
Coding: āļāļģāļāļēāļĒāļĢāļēāļāļēāļāļāļāļāļģāļāđāļ§āļĒ Autoregressive integrated moving average (ARIMA) 2 (10:12)
Coding: āđāļĄāđāļāđāļāļāđāļĨāļīāļāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđ P,D,Q āđāļāļāđāļāļĒāļāļēāļĢāđāļāđ Auto ARIMA (9:01)
Section 6 Backtesting and Performance matrix
Lectue: āļāļąāđāļāļāļāļāļāļēāļĢāļāļģ Backtesting (6:34)
Coding: āđāļāļĢāļĩāļĒāļĄāļāđāļāļĄāļđāļĨ (2:08)
Coding: āļŠāļĢāđāļēāļāļāļĨāļĒāļļāļāļāđāļāļ·āđāļāļāļēāļĒāļāļĒāđāļēāļāļāđāļēāļĒāļāđāļ§āļĒ vertorization (7:32)
Coding: Backtesting āļāļĨāļĒāļļāļāļāđāļāļāļāđāļĢāļē (3:12)
Lecture: āļ§āđāļēāļāđāļ§āļĒāļāļēāļĢāļ§āļąāļāļāļĨ Performance Metric (5:19)
Coding: āļ§āļąāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāđāļ§āļĒ Drawdown 1 (7:21)
Coding: āļ§āļąāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāđāļ§āļĒ Drawdown 2 (8:57)
Coding: āļ§āđāļēāļāđāļ§āļĒāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļ Volatility (3:22)
Coding: āļ§āđāļēāļāđāļ§āļĒāļāļąāļāļĢāļēāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāđāļĨāļ°āļāļģāđāļĢ Sharpe Ratio (8:13)
Coding: āļāļģāđāļĢ Profit (2:54)
Coding: Compound Annual Growth Rate (CAGR) (5:25)
Coding: āļāļ§āļēāļĄāđāļĄāđāļāļĒāļģ Hit Rate (7:27)
Coding: Performance Matrix (11:37)
Coding: āļŠāļĢāđāļēāļāļāļąāļāļāđāļāļąāđāļ get_report() āđāļāļ·āđāļāļ§āļąāļāļāļĨ (12:37)
Coding: āļĨāļ package Pyfolio (1:18)
Coding: āđāļāļĢāļĩāđāļĒāļāđāļāļĩāļĒāļāļāļēāļĢāļ§āļąāļāļāļĨāļāļāļāđāļĢāļēāđāļāļāļāļąāļ Pyfolio (7:52)
Section 7 Optimization and Mean Reversal
Coding: āļŦāļēāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđāļāļĩāđāđāļŦāļĄāļēāļ°āļŠāļĄāļāļĩāđāļŠāļļāļāļāđāļ§āļĒ Optimization 1 (8:38)
Coding: āļŦāļēāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđāļāļĩāđāđāļŦāļĄāļēāļ°āļŠāļĄāļāļĩāđāļŠāļļāļāļāđāļ§āļĒ Optimization 2 (12:21)
Coding: Mean reversal 01 (7:38)
Coding: Mean Reversal 2 (10:10)
Coding: Mean Reversal Optimization (2:38)
Section 8 Porfolio Allocation
Lecture: āļ§āđāļēāļāđāļ§āļĒāļāļēāļĢāļāļ·āļāļŦāļļāđāļāđāļāđāļ Portfolio: āļāļēāļĢāļāļīāļāļāļģāđāļĢāļāļāļ Portfolio (2:57)
Coding: Portfolio Return (5:42)
Lecture: āļāļēāļĢāļāļģāļāļ§āļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāļāļ Portfolio: Portfolio Variance (15:15)
Coding: Potfolio Variance (7:28)
Coding: āļāļāļĨāļāļāļ§āļąāļ Portfolio Variance āļāļēāļāļŦāļļāđāļāļāļĩāđāļĄāļĩ Correlation āļāđāļēāļāđāļāļąāļ (5:54)
Lecture: Modern Portfolio Theory (14:50)
Coding: 2 Asset Efficient Frontier (16:15)
Coding: Modern Portfolio Theory: āļ§āđāļēāļāđāļ§āļĒ Static āđāļĨāļ° Radom Weight (7:29)
Coding: āļāļģāļĨāļāļāļāļēāļĢāļāļ·āļāļŦāļļāđāļāļŦāļĨāļēāļĒāļĢāļđāļāđāļāļ(āļāđāļģāļŦāļāļąāļ)āļāđāļ§āļĒ Modern Portfolio Theory (11:53)
Coding: āļŦāļēāļāļļāļāļāļāļāļāļēāļĢāļĨāļāļāļļāļāļāļĩāđāļĄāļĩāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļ Efficient Frontier (5:20)
Coding: āļŦāļēāļāđāļģāļŦāļāļąāļāļāļāļ Portfolio āļāļĩāđāđāļĢāļēāļāļĒāļēāļāļĨāļāļāļļāļāļāđāļ§āļĒ (11:29)
Coding: plot āļāļģāđāļŦāļāđāļāļāļāļ Max Shape Ratio, Return Min Volatility Portfolio āđāļĨāļ°āđāļāđāļēāđāļ Shape āļāļāļāļāļēāļĢāđāļāļāđāļāļāđāļ MPT (7:11)
Coding: āļĨāļāļāđāļĨāļ·āļāļāļŦāļļāđāļāđāļāđāļē MPT āļāđāļ§āļĒ Correlation (10:07)
Section 9 More Backtesting
Coding: āļŠāļĢāđāļēāļ Backtest āđāļāļ Non-Vectorization (14:58)
Coding: āđāļāļīāđāļĄāļāļļāļāļāļąāļāļāļēāļāļāļļāļ Stoploss (11:20)
Coding: āļāļģāļāļēāļĢāļāļīāļāļāļģāđāļĢāđāļŦāđāđāļāđāļāļāļąāļāļāđāļāļąāđāļ (8:15)
Coding: āļāļģāļāļēāļĢāļŦāļē Signal āđāļŦāđāđāļāđāļāļāļąāļāļāđāļāļąāđāļ (3:52)
Coding: āđāļāļīāđāļĄāļĢāļēāļĒāļĨāļ°āđāļāļĩāļĒāļāđāļŦāđ Signal Creator āđāļāļ·āđāļāļāļĢāļ°āđāļĒāļāļāđāļāļēāļāļāļēāļĢāļāļģāļāļ§āļ (7:33)
Coding: āļāļĢāļąāļāļāļēāļĢāļāļģāļāļ§āļāļĢāļēāļāļēāđāļāđāļēāļāļ·āđāļ-āļāļēāļĒ āđāļŦāđāļŠāļĄāļāļĢāļīāļāļĒāļīāđāļāļāļķāđāļ (10:09)
Coding: āđāļāđāļ Log āļāļēāļĢāđāļāļĢāļāđāļāđāļĨāļ°āļāļĢāļąāđāļ (7:11)
Coding: āļāļąāļāđāļāļ log āļŦāļĨāļąāļāļāļēāļĢāļāļīāļāļŠāļąāļāļāļēāļāļ·āđāļāļāļēāļĒ (10:37)
Coding: āļŦāļēāļŠāļāļīāļāļīāļāļēāļ Log āļāļĩāđāđāļĢāļēāđāļāđāļāļĄāļē (7:55)
Coding: Assumption āļāļāļāļāļēāļĢāļāļīāļāļāļģāđāļĢ backtest āļāļĩāđāļāļēāļāļāļ°āļĄāļĩāļāļąāļāļŦāļē āļĄāļēāđāļāđāļāļ§āļēāļĄāļāļīāļāļāļĨāļēāļāđāļāļāļēāļĢāļāļģāļāļ§āļāļāļģāđāļĢāļāļąāļāļāļĢāļąāļ (8:57)
Section 10 Monte Carlo Simulation
Lecture: āļāļģāđāļĄāđāļĢāļēāļāđāļāļāļāļēāļĢ Monter Carlo (3:54)
Lecture: Monte Carlo āļŠāļģāļŦāļĢāļąāļāļāļģāļĨāļāļāļāļēāļĢāđāļāļĨāļ·āđāļāļāđāļŦāļ§āļāļāļāļĢāļēāļāļēāļŦāļĨāļąāļāļāļĢāļąāļāļĒāđ (3:43)
Lecture: āļ§āđāļēāļāđāļ§āļĒ Driff (2:56)
Lecture: āļ§āđāļēāļāđāļ§āļĒ Random Shock(Volatility) (4:35)
Lecture: āļāļĢāļ°āļāļāļāļŠāļĄāļāļēāļĢāļāļąāđāļāļŦāļĄāļ (4:35)
Coding: Monte Carlo 1 (6:12)
Coding: Monte Carlo 2 Drift and Shock (6:40)
Coding: Monte Carlo 3 Simulation (7:32)
Coding: Monte Carlo 4 Value at Risk (4:54)
Section 11 Candlestick Pattern Recognition
Coding: Install TAlib (1:59)
Coding: āđāļāļ·āđāļāļāļāđāļāļāļąāļ āļāļēāļĢāļāđāļēāļ Pattern āļāļāļ Candlestick (7:35)
Coding: āđāļŠāļāļāļāļĨ Pattern Doji āļāļāļāļŦāļļāđāļ Apple āđāļāļāļŪāļēāļĢāđāļāđāļāđāļ (9:18)
Coding: āđāļĨāļ·āļāļāļŦāļļāđāļ (4:07)
Coding: āđāļĨāļ·āļāļ Candlestick Pattern (3:18)
Coding: āđāļĨāļ·āļāļāļāđāļ§āļāđāļ§āļĨāļēāļĨāđāļēāļŠāļļāļāļāļĩāđāđāļāļīāļ Pattern (8:58)
Coding: āđāļŠāļāļāļāļĨāđāļāļāđāļāļīāļĢāđāļāđāļāļāđāļāļāļēāļĄāļīāļāļŠāđ (8:08)
Coding: āļāļģāđāļŦāđāđāļāđāļ Function (4:27)
Coding: Automate āļŦāļē Pattern āļāļąāđāļ 61 āđāļāļāđāļāļīāļĢāđāļāđāļāļāļĢāļąāđāļāđāļāļĩāļĒāļ§ (5:29)
Coding: āļŠāļąāļāļāļēāļŦāđāļāļĩāđāļāđāļēāļāļĄāļēāļĄāļĩāđāļāļāđāļāļīāļĢāđāļāļāļ°āđāļĢāđāļāļīāļāļāļķāđāļāļāđāļēāļ (7:44)
Section 12 Machin Learning
Lecture: Introduction to Machine Learning (6:32)
Lecture: Types of Machine Learning (4:41)
Lecture: Regression (3:32)
Lecture: Linear Regression (7:23)
Lecture: Multiple linear regression (2:34)
Coding: āļŠāļĢāđāļēāļāļāđāļāļĄāļđāļĨāļāļąāļ§āļāļĒāđāļēāļ (3:06)
Coding: āļĨāļēāļāđāļŠāđāļāđāļāļ·āđāļāļāļāļīāļāļēāļĒāļāđāļāļĄāļđāļĨ (8:24)
Coding: Metrics āļ§āļąāļāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļāđāļĄāđāļāļĨ (2:32)
Coding: Metrics Square Error āđāļĨāļ° Mean Square Error (3:24)
Coding: Ordinary least squares (13:17)
Coding: Ordinary least squares āđāļāļīāļĄ Noise (5:30)
Coding: āļŠāļĢāđāļēāļāļāđāļāļĄāļđāļĨ Time Series (5:05)
Coding: āļŠāļĢāđāļēāļ Feature āđāļāļ·āđāļāļāļēāļĢāļāļģāļāļēāļĒ (4:53)
Coding: Train āđāļĄāđāļāļĨ āļ§āļąāļāļāļĨ Metrics R-Square , Mean Square Error (9:00)
Coding: āļāļāļŠāļāļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ (5:50)
Coding: āļāļąāļāļŦāļēāļāļāļāļĢāļēāļāļēāļāļīāļ āđāļĨāļ° Auto Correaltion (9:41)
Coding: āđāļāđāļāļĢāļīāļĐāļąāļāļāļ·āđāļāļāļĢāļīāļĐāļąāļāļāļđāđāđāļāđāļ āļŦāļĢāļ·āļ āļāļēāļāđāļēāļāļ·āđāļāđāļĄāļēāļāđāļ§āļĒāđāļāļāļēāļĢāļāļģāļāļēāļĒāļĢāļēāļāļēāļāļīāļāđāļāđāļāļĨāđāļŦāļĄ? (3:29)
Coding: āļāļģāđāļĄāļĄāļąāļāđāļĄāđāđāļāđāļāļĨ (14:22)
Coding: Linear Regression āļāļāļāđāļāļĄāļđāļĨ Return (4:24)
Coding: āļŠāļĢāđāļēāļ Direction āđāļĨāļ°āļ§āļąāļ Accuracy āļāļāļāđāļĄāđāļāļĨ (5:27)
Coding: Simulaiton āļāļĨāļāļēāļāļāļēāļāđāļĄāđāļāļĨ (10:54)
(āļāļēāļāļāļĢāļāļāļĩāđāļĨāļāđāļāļāļ°āđāļāđāļāļāļāļāđāļāđāļēāļāļ°āļāļĢāļąāļ) Introduction and environment preparation
Intro to the Course (9:56)
āļāļģāđāļĄāđāļĨāļ·āļāļāđāļāđāļ āļēāļĐāļē Python (3:10)
āđāļāļĢāļĩāļĒāļĄ Python āđāļŦāđāļāļĢāđāļāļĄ āļŠāļģāļŦāļĢāļąāļāđāļāđāļāļēāļ (7:51)
āļĨāļ Quandl āļāđāļ§āļĒ Anaconda Navigator (5:28)
āļāđāļēāđāļĄāđāļĄāļĩāļāļ§āļēāļĄāļĢāļđāđāļāđāļēāļāļāļēāļĢāđāļāļĩāļĒāļāđāļāļĢāđāļāļĢāļĄāļāļģāļĒāļąāļāđāļ? (1:12)
āļāļ§āļēāļĄāļĢāļđāđāļāļ·āđāļāļāļēāļāļāļĩāđāļāļģāđāļāđāļāļāđāļāļāđāļĢāļīāđāļĄāđāļĢāļĩāļĒāļ (Prerequisite)
āļāļēāļ§āđāļŦāļĨāļāļāļāļŠāđāļāđāļāđāļāđāļāļēāļāļāļĩāđāđāļŦāļ? (2:32)
Course Resource
Section 1) āļāļēāļĢāđāļāđāļĄāļēāļāļķāđāļāļāđāļāļĄāļđāļĨ āđāļĨāļ°āļāļēāļĢāļŠāļĢāđāļēāļ Function āđāļāļāļēāļĢāļāļķāļāļāđāļāļĄāļđāļĨāđāļĨāļ°āļāļēāļĢ Export āđāļāđāļ CSV (āļāļāļāđāļāđāļē)
Lecture: āđāļĢāļēāļāļ°āļŦāļēāļāđāļāļĄāļđāļĨāļāļēāļāļāļĩāđāđāļŦāļāļāđāļēāļ (2:53)
āļĢāļđāđāļāļąāļāļāļąāļ Quandl (4:27)
Coding: āđāļŦāļĨāļāļāđāļāļĄāļđāļĨāļāļēāļ Quandl (6:01)
āđāļŦāļĨāļāļāđāļāļĄāļđāļĨāļāļēāļ Siamchart (2:53)
Coding: āļāļķāļāļāđāļāļĄāļđāļĨāļāļēāļ Siamchart āļĄāļēāđāļāđāļ Dataframe (19:23)
Coding: Export CSV (2:00)
Coding: āđāļāļĩāļĒāļ Function āđāļĢāļĩāļĒāļāļŦāļļāđāļāļĢāļēāļĒāļāļąāļ§āļāļēāļ Dataframe (11:21)
Lecture: Library 2 āđāļāļ (5:03)
Coding: Import function āļāļēāļ āđāļāļĨāđ .py āļāļāļāđāļĢāļēāđāļāļ (4:23)
Coding: Export āļŦāļļāđāļāļĢāļēāļĒāļāļąāļ§āļāļāļāđāļāđāļ CSV (5:44)
Section 2) āļāļēāļĢāļāļąāļāļāļēāļĢāļāđāļāļĄāļđāļĨāđāļāļ·āđāļāļāļāđāļ (āļāļāļāđāļāđāļē)
Lecture: āļāļđāļ āļēāļāļĢāļ§āļĄāļāđāļāļĄāļđāļĨ (5:20)
Coding: āļāļđāļ āļēāļāļĢāļ§āļĄāļāđāļāļĄāļđāļĨ .info() .Describe() (6:37)
Lecture: āļāļēāļĢāļāļąāļāļāļēāļĢ Dataframe (5:45)
Coding: āđāļĨāļ·āļāļāļāđāļ§āļāđāļ§āļĨāļē (4:24)
Coding: āļāļēāļĢāđāļāđāļēāļāļķāļ Column (2:13)
Coding: āļāļēāļĢāđāļāđāļēāļāļķāļ Column āđāļāļāļĄāļĩāđāļāļ·āđāļāļāđāļ (7:09)
Lecture: āļāļēāļĢ Resample āļāđāļāļĄāļđāļĨ (2:47)
Coding: Resample (8:30)
Lecture: āļāļēāļĢāļāļģ Lead/Lag āļāđāļāļĄāļđāļĨ āđāļĨāļ° Moving Average (2:53)
Coding: Lead/Lag (3:43)
Coding: Moving Average (3:34)
Coding: Subplot (5:07)
Coding: āļāļāļīāļāļēāļĒ Subplot āđāļāļīāđāļĄāđāļāļīāļĄ (4:30)
Install Mpl Finance package (1:27)
Coding: Candlestick Plot (7:55)
Section 3) Clean&Normalization āļāđāļāļĄāļđāļĨ (āļāļāļāđāļāđāļē)
Lecture: āļāļēāļĢāļāļąāļāļāļēāļĢāļāļąāļ Missing Value āđāļĨāļ°āļāļēāļĢ Normalization āļāđāļāļĄāļđāļĨ (3:30)
Coding: Missing Value (7:43)
Coding: Normalization (4:09)
Section 4) āļĢāļđāđāļāļąāļāļāļąāļāļŦāļļāđāļāđāļŦāđāļĄāļēāļāļāļķāđāļāļāđāļ§āļĒāļāļģāļāļ§āļēāļĄāđāļāđāļēāđāļāļāđāļē Return, āļāļēāļĢāđāļāļāđāļāļāļāļāļāļĢāļēāļāļē āđāļĨāļ° āļāđāļēāļāļēāļāļŠāļāļīāļāļīāļāļ·āđāļāđ (āļāļāļāđāļāđāļē)
Lecture: āļ§āđāļēāļāđāļ§āļĒ Return (6:27)
Coding: Simple Return (6:04)
Coding: Log Return (7:18)
Lecture: āļāļēāļĢāđāļāļāđāļāļāļāļāļāļī(Normal Distribution) (10:47)
Coding: āļ§āđāļēāļāđāļ§āļĒāļāļēāļĢ Random āđāļĨāļ° Histogram (10:11)
Lecture: āļŠāļāļīāļāļīāļ§āđāļēāļāđāļ§āļĒāļāđāļēāđāļāļĨāļĩāđāļĒ(Mean) āđāļĨāļ° āļāđāļēāļĄāļąāļāļĒāļāļēāļ(Median) (2:50)
Coding: āļāđāļēāđāļāļĨāļĩāđāļĒ(Mean) āđāļĨāļ° āļāđāļēāļĄāļąāļāļĒāļāļēāļ(Median) (6:10)
Coding: āļāđāļēāđāļāļĨāļĩāđāļĒ(Mean) āđāļāļĢāļĩāļĒāļāđāļāļĩāļĒāļ āļāđāļēāļĄāļąāļāļĒāļāļēāļ(Median) āđāļĨāļ°āļāļēāļĢāļāļĩāļāļ§āļēāļĄ (4:23)
Coding: āļāļĩāļāļ§āļēāļĄāļāđāļēāđāļāļĨāļĩāđāļĒāđāļĨāļ°āļāđāļēāļĄāļąāļāļĒāļāļēāļāļāļąāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ (5:06)
Coding: Quartile āđāļĨāļ° Percentile (7:21)
Lecture: āđāļāđāļēāđāļāļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļ(Variance) āđāļĨāļ° āļŠāđāļ§āļāđāļāļĩāđāļĒāļāđāļāļāļĄāļēāļāļĢāļāļēāļ(Standard Deviation) (6:24)
Coding: āļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļ(Variance) āđāļĨāļ° āļŠāđāļ§āļāđāļāļĩāđāļĒāļāđāļāļāļĄāļēāļāļĢāļāļēāļ(Standard Deviation) (19:09)
Section 5) āļāļēāļĢāļ§āļīāđāļāļĢāļēāļ°āļŦāđāļāļīāļĻāļāļēāļāļāļēāļĢāđāļāļĨāļ·āđāļāļāļāļĩāđāļāļāļāļĢāļēāļāļēāļŦāļļāđāļ āļāđāļ§āļĒāļāđāļē Covariance āđāļĨāļ° Correlation (āļāļāļāđāļāđāļē)
Lecture: āļāļ§āļēāļĄāđāļāļĢāļāļĢāļ§āļāļĢāđāļ§āļĄāđāļāļĩāđāļĒāļ§(Covariance) āđāļĨāļ° āļŠāļŦāļŠāļąāļĄāļāļąāļāļāđ(Correlation) (12:47)
Coding: Covariance (17:25)
Coding: Correlation (6:29)
Coding: āļāļđāļāļ§āļēāļĄāļŠāļąāļĄāļāļąāļāļāđāļāļāļāļŦāļļāđāļāđāļāļāļĨāļēāļāļŦāļĨāļąāļāļāļĢāļąāļāļĒāđāļāđāļ§āļĒ Correlation (20:01)
Section 6) āļāļđāļāļēāļĢāđāļāļāđāļāļāđāļāļ Fat Tail āļāđāļ§āļĒ Violion āđāļĨāļ° QQ Plot (āļāļāļāđāļāđāļē)
Coding: QQ plot āđāļĨāļ° Violin plot (8:47)
Coding: āļāļđāļāļēāļĢāđāļāļāđāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļāļāļĩāđāđāļāđāļ Fat tail āļāļąāļāļāđāļāļĄāļđāļĨāļāļĩāđāđāļāļāđāļāļāļāļēāļĄ āļāļĪāļĐāļāļĩ (4:06)
Section 7) āđāļāđāļēāđāļ Finance āđāļāļāļēāļĢāļĨāļāļāļļāļ (āļāļāļāđāļāđāļē)
Lecture: Time Value of Money (5:05)
Coding: time value of money (13:02)
Lecture: Benchmark (2:01)
Lecture: Beta (2:43)
Lecture: Alpha (1:15)
Coding: āļĄāļēāļāļģāļāļ§āļ Beta āļāļąāļ (15:08)
Coding: Beta āđāļĄāđāđāļāđāđāļāđāļēāļāļīāđāļ (5:27)
Section 8) āļāļēāļĢāļ§āļąāļāļāļĨāļāļēāļāđāļāļāļĨāļēāļāļŦāļļāđāļ (āļāļāļāđāļāđāļē)
Lecture: Drawdown and Volatility (2:41)
Coding: DrawDown (10:37)
Lecture: āļĢāļđāđāļāļąāļāļāļąāļāļāļąāļ§āļ§āļąāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļ Sharpe Ratio (2:31)
Coding: Shape Ratio (11:19)
Lecture: CAGR (2:33)
Coding: CAGR (4:59)
Coding: āđāļĨāđāļ§āđāļĢāļēāļāļģāļāļēāļĒāļāļđāļāļāļĩāđāđāļāļāļĢāđāđāļāđāļ Hit Rate (9:25)
Section 9) Modern Portfolio Theory (āļāļāļāđāļāđāļē)
Lecture: āļāļēāļĢāļāļģāļāļ§āļāļāļĨāļāļēāļāļāļāļāļāļāļĢāđāļāļāļāļĨāļīāđāļ Portfolio Return (1:48)
Coding: Portfolio Return (9:56)
Lecture: āļāļēāļĢāļāļģāļāļ§āļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāļāļāļāļāļĢāđāļāļāļāļĨāļīāđāļ Portfolio Variance (5:40)
Coding: Portfolio Variance (6:54)
Lecture: āļāļĪāļĐāļāļĩāļāļāļĢāđāļāđāļāļĨāļīāđāļāļŠāļĄāļąāļĒāđāļŦāļĄāđ Modern Portfolio Theory āļāļ·āļāļāļ°āđāļĢ (9:22)
Coding: Modern Portfolio Theory(1) āļāļģāļāļ§āļāđāļāļ Static vs Randoms (12:31)
Coding: Modern Portfolio Theory āļŦāļēāļāļ§āļēāļĄāļāđāļēāļāļ°āđāļāđāļ 1000 āļĢāļđāļāđāļāļ (12:32)
Coding: Modern Portfolio Theory āđāļĨāļ·āļāļāļāđāļģāļŦāļāļąāļāļāļāļāļŦāļļāđāļāđāļāļāļāļĢāđāļāļāļāļĨāļīāđāļāļāđāļ§āļĒ Sharpe Ratio, Volatility āļāđāļģāļŠāļļāļ āđāļĨāļ° āļāļģāđāļĢāļŠāļđāļāļŠāļļāļ (26:54)
Coding: Modern Portfolio Theory āļāļĨāļāļĢāļ°āļāļāļāļēāļāļŦāļļāđāļāļāļĩāđāļĄāļĩ Correlation āļāđāļāļāļąāļāļŠāļđāļ (12:04)
Coding: Modern Portfolio Theory: āļāļĨāļāļĢāļ°āļāļāļāļēāļāļŦāļļāđāļāļāļĩāđāļĄāļĩ Correlation āļāđāļāļāļąāļāļāđāļģ (3:53)
Section 10) VaR: Value at Risk (āļāļāļāđāļāđāļē)
Lecture: āļāļĢāļ°āđāļĄāļīāļāļāļ§āļēāļĄāđāļŠāļĩāđāļĒāļāļāđāļ§āļĒ Value at Risk (6:08)
Coding: Value at Risk(Var) āđāļāļāđāļĄāđāđāļāđāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđ (9:25)
Coding: Value at Risk(Var) āđāļāļāđāļāđāļāļēāļĢāļēāļĄāļīāđāļāļāļĢāđ (9:31)
Section 11) Monte Carlo (āļāļāļāđāļāđāļē)
Coding: Random Walk āļāļđāļāļ§āļēāļĄāļāļĪāļāļīāļāļĢāļĢāļĄāļāļāļāļāđāļāļĄāļđāļĨ Random (9:52)
Coding: Random Walk āļāļđāļāļĪāļāļīāļāļĢāļĢāļĄāļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļāđāļāļ·āđāļāđāļāļĢāļĩāļĒāļāđāļāļĩāļĒāļ (3:35)
Lecture: āļ āļēāļāļĢāļ§āļĄ Monte Carlo (0:57)
Lecture: āļāļģāđāļĄāđāļĢāļēāļāđāļāļāđāļāđ Monte Carlo (3:18)
Lecture: Monte Carlo for stock simulation (5:22)
Lecture: Monte Carlo āļ§āđāļēāļāđāļ§āļĒ Drift (4:37)
Lecture: Monte Carlo āļ§āđāļēāļāđāļ§āļĒ Volatility (8:40)
Lecture: Monte Carlo āđāļāļēāļāļļāļāļāļĒāđāļēāļāļĄāļēāļĢāļ§āļĄāļāļąāļ (7:11)
Coding: Monte Carlo Part 1 (4:07)
Coding: Monte Carlo Part 2 (23:55)
Coding: Monte Carlo Var (12:12)
Coding: Monte Carlo bias āđāļāđāļāļŠāļāļāļāļāđāļ§āļāđāļ§āļĨāļēāđāļāļāļēāļĢāđāļĨāļ·āļāļāļāđāļāļĄāļđāļĨ (16:33)
Section 12-13) Backtesting and Optimization (āļāļāļāđāļāđāļē)
Lecture: Simple Backtest Part 1 (3:10)
Lecture: Simple Backtest Part 2 (4:06)
Coding: āđāļāļĢāļĩāļĒāļĄāļāđāļāļĄāļđāļĨ (2:36)
Cooding: āļŠāļĢāđāļēāļāļāļĨāļĒāļļāļāļāđ Moving Average Crossover āļāļĒāđāļēāļāļāđāļēāļĒāļāđāļ§āļĒāļāļēāļĢ Vectorization (7:52)
Coding: āļāļģāļāļ§āļ Profit āđāļĨāļ° Loss (4:33)
Coding: āļ§āļąāļāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļāđāļāļāļēāļĢāļĨāļāļāļļāļ (14:52)
Coding: āļāļēāļĢāđāļāđāđāļāļ·āđāļāļāđāļāđāļāļāļēāļĢāļŠāļĢāđāļēāļāļāļĨāļĒāļļāļāļāđāļĄāļēāļāļāļ§āđāļē 1 āđāļāļ·āđāļāļāđāļ Part 1 (6:16)
Coding: āļāļēāļĢāđāļāđāđāļāļ·āđāļāļāđāļāđāļāļāļēāļĢāļŠāļĢāđāļēāļāļāļĨāļĒāļļāļāļāđāļĄāļēāļāļāļ§āđāļē 1 āđāļāļ·āđāļāļāđāļ Part 2 (7:09)
Lecture: Optimization (3:36)
Coding: Moving Average optimization Part 1 (16:22)
Coding: Moving Average optimization Part 2 (22:17)
Coding: Mean Reversal Part 1 (5:08)
Coding: Mean Reversal Part 2 (16:46)
Coding: Mean Reversal Optimization Part 1 (10:53)
Coding: Mean Reversal Optimization Part 2 (10:36)
Coding: Mean Reversal Optimization Part 3 (4:25)
Section14: Machine Learning (āļāļāļāđāļāđāļē)
Lecture: Introduction to Machine Learning (6:32)
Lecture: Types of Machine Learning (4:41)
Lecture: Regression (3:32)
Lecture: Multiple linear regression (2:34)
Lecture: Linear Regression (7:23)
Coding: Linear Regression āļĢāļĩāļ§āļīāļ§ Part 1 āļāļāļāđāļāđāļ (14:07)
Coding: Linear Regression āļĢāļĩāļ§āļīāļ§ Part 2 āļāđāļāļĄāļđāļĨāļāļĩāđāļĄāļĩ Noise (5:24)
Coding: Linear Regression āļĢāļĩāļ§āļīāļ§ Part 3 āđāļāļĄāļļāļĄāļĄāļāļāļāļāļ Time Series (13:00)
Coding: Linear Regression āļĢāļĩāļ§āļīāļ§ Part 4 āđāļāđ SKlearn (8:30)
Coding: Linear Regression āļāļģāļāļēāļĒāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 1 āļĢāļēāļāļēāļāļīāļ (5:54)
Coding: Linear Regression āļāļģāļāļēāļĒāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 2 āļāļēāļĢāđāļāđāļāļāđāļāļĄāļđāļĨ Train/Test (6:03)
Coding: Linear Regression āļāļģāļāļēāļĒāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 3 āļāļēāļĢāļ§āļąāļāļāļĨ (11:56)
Lecture: Backtesting ML strategies (6:37)
Coding: Linear Regression āļāļģāļāļēāļĒ Return āļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 1 āļāļģāļāļēāļĒ Return (5:44)
Coding: Linear Regression āļāļģāļāļēāļĒ Return āļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 2 āđāļāđāļāļāđāļāļĄāļđāļĨ Train/Test (5:26)
Coding: Linear Regression āļāļģāļāļēāļĒ Return āļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 3 train model āđāļĨāļ°āļāļģāļāļēāļĒāļāļĨ (12:00)
Coding: Linear Regression āļāļģāļāļēāļĒ Return āļāļāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 4 Simulation āđāļĨāļ° āļāļēāļĢāļ§āļąāļāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļ (12:09)
Lecture: What is Logistic regression? (5:38)
Lecture: How does Logistic regression work? (5:14)
Coding: Logistic Regression āļĢāļĩāļ§āļīāļ§ Part 1 (3:22)
Coding: Logistic Regression āļĢāļĩāļ§āļīāļ§ Part 2 (16:56)
Coding: Logistic Regression āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 1 āđāļāļĢāļĩāļĒāļĄāļāđāļāļĄāļđāļĨ (4:45)
Coding: Logistic Regression āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 2 āđāļāđāļāļāđāļāļĄāļđāļĨ Train/Test (5:32)
Coding: Logistic Regression āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 3 train model āđāļĨāļ°āļāļģāļāļēāļĒāļāļĨ (4:42)
Coding: Logistic Regression āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 4 Simulation āđāļĨāļ°āļ§āļąāļāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļ (12:17)
Lecture: āļāļ°āđāļĢāļāļ·āļ K-Nearest Neighbour(KNN) (9:02)
Coding: KNN - āļĢāļĩāļ§āļīāļ§ Part 1 āļŠāļĢāđāļēāļāļāđāļāļĄāļđāļĨāđāļŠāļĄāļ·āļāļ (7:46)
Coding: KNN - āļĢāļĩāļ§āļīāļ§ Part 2 āđāļāđāļāļāđāļāļĄāļđāļĨ Train/Test (2:29)
Coding: KNN - āļĢāļĩāļ§āļīāļ§ Part 3 train model āđāļĨāļ°āļāļģāļāļēāļĒāļāļĨ (11:09)
Coding: KNN - āļĢāļĩāļ§āļīāļ§ Part 4 āļāļēāļĢāļ§āļąāļāļāļĨ (4:25)
Coding: KNN - āļĢāļĩāļ§āļīāļ§ Part 5 āļāđāļāļĄāļđāļĨāļāļĩāđ Unbalanced (7:06)
Coding: KNN āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 1 āđāļāļĢāļĩāļĒāļĄāļāđāļāļĄāļđāļĨ āđāļĨāļ° āđāļāđāļāļāđāļāļĄāļđāļĨ Train/Test (3:37)
Coding: KNN āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 2 Train model āđāļĨāļ°āļāļģāļāļēāļĒāļāļĨ (4:37)
Coding: KNN āļāļģāļāļēāļĒāļāļīāļĻāļāļēāļāļāđāļāļĄāļđāļĨāļāļĢāļīāļ Part 3 Simulation āđāļĨāļ°āļ§āļąāļāļāļĢāļ°āļŠāļīāļāļāļīāļ āļēāļ (11:06)
Technical Indicator with Talib (āļāļāļāđāļāđāļē)
Install TA-Lib (2:58)
Talib Resource
Coding: Momentum - Simple, Exponential, Double Exponential Moving Average(SMA EMA DEMA) (10:28)
Coding: Momentum - Plus Directional Indicator (+DI), Minus Directional Indicator (-DI) (5:32)
Coding: Momentum - Directional Movement Index (DX), Average Directional Movement Index (ADX) (7:09)
Coding: Oscillator - Relative Strength Index(RSI) (4:44)
Coding: Overlap Studies - Bollinger Bands (6:11)
Coding: Volume - On balance volume (OBV) (5:38)
Coding: Volatility Indicators - True Range(TR) Average true range(ATR) (10:38)
Coding: Candlestick Pattern part1 (11:03)
Coding: Candlestick Pattern part2 (7:38)
Coding: Performance Matrix
Lesson content locked
If you're already enrolled,
you'll need to login
.
Enroll in Course to Unlock