一个收费12000的课的提纲

ailabx

大纲：

• 搭建机器学习环境
  a. 选择合适的硬件机器和操作系统
  b. GPLearn开发环境准备
  c. 针对机器学习的高性能数据存储
• 认识遗传规划学习
  a. 从【先有逻辑、后有公式】到【先有公式、后有逻辑】
  b. 算法基础：种群生成、适应度评价、自然选择、组合变异
  c. 数据集的拆分处理：训练集、验证集、测试集
• 上手CTA特征工程
  a. 基础特征数据的清洗准备：加载、预处理、缓存
  b. 梳理GPLearn内置特征函数：参数分类、边界情况处理
  c. 时序类特征函数的扩展开发：技术指标类、统计模型类
• 适应度评价的选择
  a. 适合量化交易的Fitness适应度评价体系
  b. 简单的收益率相关性：不依赖历史回测
  c. 全面的回测统计值：向量化策略回测框架
• 策略开发实战应用
  a. 机器学习CTA的三部曲：特征、信号、策略
  b. 趋势跟踪和震荡反转两种信号的实现
  c. CTA策略中的细节：资金管理、止损风控、平仓出场
  d. 基于多合约数据解决训练中的过度拟合问题
  
  

ailabx

搭建机器学习环境

选择合适的硬件机器和操作系统：确保硬件配置能够满足遗传算法的计算需求，例如多核CPU或GPU。
DEAP开发环境准备：安装Python环境，并通过pip安装DEAP库，以及可能需要的其他库，如NumPy、Pandas等。
针对机器学习的高性能数据存储：设置数据库或使用数据框架来存储和处理大量数据。
认识遗传算法

算法基础：理解遗传算法的基本原理，包括种群初始化、适应度函数、选择、交叉、变异和遗传算法的迭代过程。
数据集的拆分处理：将数据集分为训练集、验证集和测试集，以评估模型性能。
上手CTA特征工程

基础特征数据的清洗准备：进行数据清洗，包括数据加载、预处理和缓存。
特征函数开发：使用DEAP创建自定义的特征函数，可能包括技术指标、统计模型等。
适应度评价的选择

适应度函数设计：根据量化交易策略的目标设计适应度函数，可能包括收益率、风险调整后的回报等指标。
不依赖历史回测的简单适应度评价：设计一个基本的适应度评价体系，可能基于简单的财务指标。
全面的回测统计值：实现一个回测框架，以获得策略的统计性能评估。
策略开发实战应用

特征、信号、策略的三部曲：开发用于CTA策略的特征提取、信号生成和策略制定流程。
信号实现：实现趋势跟踪和震荡反转的信号机制。
策略细节：包括资金管理、止损风控和出场策略。
解决过度拟合：使用交叉验证和正则化技术，以及多合约数据来减少训练过程中的过拟合。

sselite

这是哪里的课程啊？

ailabx

sselite 发表于 2024-9-15 21:24
这是哪里的课程啊？

一个平台的线下课，应该是一个月4次。
我在准备类似的专栏。