Python for Finance
ทำความเข้าใจระบบการลงทุนตั้งแต่เริ่มต้นจนถึงการเขียนซิมูเลชั่นอย่างง่าย
Watch Promo Enroll in Course
➡️ คำอธิบายคอร์ส
.
คอร์ส "Python for Finance" คอร์สแรกที่สอนการประยุกต์ใช้ Python และ Finance เข้าด้วยกัน จัดเต็มสำหรับ นักลงทุนที่อยากวิเคราะห์ข้อมูลทางการลงทุนอย่างเป็นวิทย์ศาสตร์ด้วย Python ผู้ที่ไม่มีพื้นฐานการเขียนโปรแกรมก็สามารถเรียนได้ โดยมาปูพื้นฐานการใช้ภาษา Python กับเราก่อนจะเข้าเนื้อหาหลัก โดยคอร์สของเราจะสอนตั้งแต่หลักการทาง Finance เช่น "เราจะเพิ่ม Return โดยไม่เพิ่ม Risk ได้อย่างไร" หรือ "ถ้าเราเชื่อในหลักการ Random Walk ว่าหุ้นจะขึ้นลงมันสุ่ม ๆ ไปเรื่อย ๆ เราจะใช้หลักการนี้ไปลำจองอนาคตได้อย่างไร" ไปถึงการสร้างระบบเทรดแบบง่ายๆ และพาไปรู้จักกับ Machine Learning กันซักหน่อยเป็นการปิดท้าย เนื้อหาจะเน้นเพื่อเป็นพื้นฐานสำหรับการวิเคราะห์ข้อมูลการลงทุนอย่างเป็นวิทยาศาสตร์ (ไม่ต้องคาดการณ์กันเอง💯%)
.
❗❗ หมายเหตุ ❗❗❗
(กรุณาอ่านเพื่อประกอบการตัดสินใจของท่าน)
.
❌❌❌ คอร์สนี้คือ คอร์ส "Python for Finance" ไม่ใช่ "Algorithmic Trading" เราจะไม่ได้เน้นหนักทางการสร้างโมเดลเพื่อการลงทุนที่กำไรมาก ๆ ไม่มีการบอก "Magic Formula" ที่ทำให้รวยได้ แต่อย่างใด
.
✔️✔️✔️ คอร์สนี้ "สอนพื้นฐานการทำงานกับข้อมูลการลงทุน ด้วยภาษา Python" เราจะเรียนกันตั้งแต่ พื้นฐานการจัดการข้อมูล พื้นฐานทางคณิตศาสตร์ เช่น อะไรคือความเสี่ยง และ จะคำนวณมันอย่างไร ค่าสหสัมพันธ์ที่เคยได้ยินมา มันคำนวณอย่างไรมีหลักการทำงานอย่างไร รวมถึง การวิเคราะห์ Return ของหุ้น เราจะคำนวณ Return ชนิดไหน อย่างไร เป็นต้น
.
✔️✔️✔️ จากนั้นค่อยต่อยอดไปทฤษฎีการลุงทุนที่สำคัญ เช่น "Modern Portfolio Theory "เราจะมาดูกันว่าการถือหุ้นหลาย ๆ ตัวจะช่วยลดความเสี่ยงได้อย่างไร? แล้วในกรณีไหนที่มันจะลดความเสี่ยงไม่ได้?!!!
.
หรือ ถ้าโลกการลงทุนเป็น "Random Walk" แล้วเราจะนำความรู้ตรงนี้มาประยุกต์ใช้ในการประเมินอนาคตได้อย่างไรกับ มาใช้ ทฤษฏี "Monte Carlo Simulation" มาสร้างความเป็นไปได้ของทิศทางหุ้นในอนาคตเพื่อประเมินความเสี่ยงกัน
.
✔️✔️✔️ จากนั้นเราจึงมาต่อในส่วนของ "Backtesting Strategy" หรือ การสร้าง และทดสอบ โมเดลการเทรดของเราทั้งแบบ "Trend Following" และ "Mean Reversal" ในส่วนนี้เราจะนำความรู้ที่ได้จากการเรียนส่วนที่ผ่านมา เช่น ความเสี่ยงคืออะไร มาประกอบตอนวัดผลการเทรดของเรา
.
✔️✔️✔️ จากนั้นจึงมาทำ "Optimization" กัน เพื่อศึกษาว่า ค่าพารามิเตอร์ที่ต่างกันมีผลกระทบต่อโมเดลอย่างไรบ้าง? ในส่วนนี้ที่สำคัญคือ เราจะมา "Coding เองล้วน ๆ" เพื่อความเข้าใจอย่างลึกซึ้ง ซึ่งจริงๆการ backtest สามารถทำได้ด้วยการโหลด Library มาใช้ แต่ในคอร์สนี้เราให้ความสนใจกับการสร้างพื้นฐาน เราจึงทำเองทั้งหมด coding เองกับมือ ซึ่งจะทำให้เราเข้าใจได้อย่างถ่องแท้ และ ไม่ลืม และเราจะค่อยมาแนะนำการใช้ library สำเร็จรูป กันในคอร์สต่อไป "Algorithmic Trading" (ถ้ามีคนสนใจ)
.
✔️✔️✔️ จากนั้นส่วนสุดท้ายเราพาไปดูว่า "Machine Learning" คืออะไร? มีหลักการพื้นฐานอย่างไร ในส่วนนี้ก็เหมือนกับคอร์สที่ผ่านมาทั้งหมด คือเราจะเน้นที่ความเข้าใจว่ามันมีหลักการทำงานอย่างไร มากกว่าที่จะสร้างผลกำไรเยอะๆ โดยอัลกอริทึ่มที่เราจะมาดูกันมีตั้ง "Linear Regression", "Logistic Regression" และ "K-Nearest Neighbour"
.
✔️✔️✔️ หลังจากเรียนรู้พื้นฐาน Machine Learning กันแล้ว เราก็นำมาทดลองเป็นตัวสร้างโมเดลการเทรด พร้อม Backtest โมเดลที่เราสร้างขึั้นกัน
.
สรุป ผมคิดว่าคอร์สนี้สำหรับ "ผู้ที่ต้องการเข้าใจใน Topic นี้ และ ต้องการสร้างพื้นฐานทางการเขียนโปรแกรม และ พื้นฐานทางคณิตศาตร์เพื่อใช้ในวิเคราะห์ข้อมูลการลงทุนครับ"
.
➡️ สำหรับผู้ที่ไม่มีพื้นฐานการเขียนโปรแกรม หรือ ไม่คุ้นเคยกับ Python เรามีเนื้อหาเขียนโปรแกรมเบื้องต้นให้ลงทะเบียนเรียนฟรีที่
https://algoaddict.com/p/basic-python-programming
.
ถ้ามีปัญหาใดๆ ที่ต้องการติดต่อทางทีมงานผู้สอนโดยตรง สามารถติดต่อได้ที่
email : [email protected]
Fackbook page: https://www.facebook.com/algoaddict/
ขอขอบพระคุณเป็นอย่างสูง
ทีมงาน AlgoAddict
Your Instructor
พวกเราคือ Researcher และ Data Scientist ที่มีความสนใจด้าน Predictive Modelling เป็นพิเศษ มีประสบการณ์ทำงานกับ Machine Learning models และ Intelligent systems
>> Computer Engineer และ นักวิจัยด้าน Machine Learning และ Algorithmic Trading ที่มีผลงานวิจัยด้าน Algorithmic trading มายาวนานหลายปี เชี่ยวชาญด้านระบบปัญญาประดิษฐ์ และ การพัฒนาระบบชาญฉลาดต่างๆ มีความสนใจเป็นพิเศษด้าน Machine Learning และ Reinforcement Learning มีความตั้งใจเป็นอย่างมากที่จะพัฒนาระบบ Algorithmic Trading ที่มีความชาญฉลาดทั้งในการตัดสินใจ และ มีความสามารถเฉพาะทางในการปรับตัวเข้ากับสภาวะแวดล้อมภายในตลาด
>> ปริญญาโทเฉพาะทาง Machine Learning และ การประมวลผลข้อมูลขั้นสูง จาก University of Bristol ประเทศอังกฤษ ขณะนี้กำลังศึกษาต่อในระดับปริญญาเอกในสาขาเดียวกัน พร้อมทั้งทำหน้าที่เป็นผู้ร่วมสอนนักศึกษาในระดับปริญญาตรีสาขา Computer Science และ ปริญญาโทสาขา Data Science ในรายวิชา Machine Leaning, Artificial Intelligence และ Pattern Recognition ณ University of Bath ทำวิจัย และ มีความสนใจเป็นพิเศษด้าน Machine Learning เกี่ยวกับ Predictive modelling ใน Stock market
Course Curriculum
-
PreviewIntro to the Course (9:56)
-
Previewทำไมเลือกใช้ภาษา Python (3:10)
-
Previewเตรียม Python ให้พร้อม สำหรับใช้งาน (7:51)
-
Previewลง Quandl ด้วย Anaconda Navigator (5:28)
-
Startถ้าไม่มีความรู้ด้านการเขียนโปรแกรมทำยังไง? (1:12)
-
Startความรู้พื้นฐานที่จำเป็นก่อนเริ่มเรียน (Prerequisite)
-
Startดาวโหลดซอสโค้ดได้จากที่ไหน? (2:32)
-
StartCourse Resource
-
StartLecture: เราจะหาข้อมูลจากที่ไหนบ้าง (2:53)
-
Startรู้จักกับ Quandl (4:27)
-
StartCoding: โหลดข้อมูลจาก Quandl (6:01)
-
Startโหลดข้อมูลจาก Siamchart (2:53)
-
StartCoding: ดึงข้อมูลจาก Siamchart มาเป็น Dataframe (19:23)
-
StartCoding: Export CSV (2:00)
-
StartCoding: เขียน Function เรียกหุ้นรายตัวจาก Dataframe (11:21)
-
StartLecture: Library 2 แบบ (5:03)
-
StartCoding: Import function จาก ไฟล์ .py ของเราเอง (4:23)
-
StartCoding: Export หุ้นรายตัวออกเป็น CSV (5:44)
-
StartLecture: ดูภาพรวมข้อมูล (5:20)
-
StartCoding: ดูภาพรวมข้อมูล .info() .Describe() (6:37)
-
StartLecture: การจัดการ Dataframe (5:45)
-
StartCoding: เลือกช่วงเวลา (4:24)
-
StartCoding: การเข้าถึง Column (2:13)
-
StartCoding: การเข้าถึง Column แบบมีเงื่อนไข (7:09)
-
StartLecture: การ Resample ข้อมูล (2:47)
-
StartCoding: Resample (8:30)
-
StartLecture: การทำ Lead/Lag ช้อมูล และ Moving Average (2:53)
-
StartCoding: Lead/Lag (3:43)
-
StartCoding: Moving Average (3:34)
-
StartCoding: Subplot (5:07)
-
StartCoding: อธิบาย Subplot เพิ่มเติม (4:30)
-
StartInstall Mpl Finance package (1:27)
-
StartCoding: Candlestick Plot (7:55)