Quantamental Research: Financial ML & Statistical Learning

данный проект охватывает ключевые концепции машинного обучения и statistical learning с элементами мат статистики и эконометрики и предлагает свежий взгляд на имплеменатцию financial machine learning на Python и R.

python - Tensorflow/Keras, Statsmodels, mlfinlab, Pandas, NumPy, Scikit-Learn, XGBoost, yfinance R- glm, e1071, MASS, splines, randomForest, gam, tseries, caret, boot, PortfolioAnalytics, forecast (см requirements.txt)

модели: Deep Learning : Sequential models(RNN, LSTM, TCN, CNN) ; Reinforcement Learning (Deep Q-Networks, Q-Learning) сплайны: regression splines, cubic and natural splines

методы опорных векторов: support vector machines, support vector classifier с ядрами: radial basis kernel, linear kernel

регрессия: OLS множественная линейная регрессия, polynomial regression, регрессия с interaction effects, обобщенные аддитивные модели(generalized additive models)

регуляризация: L1 (lasso), L2(ridge), elastic-net; partial least squares regression(supervised аналог pca), early stopping(neural networks)

классификаторы: logistic regression, naive Bayes tree-based: bart(bayesian additive regression trees), random forests, decision trees, boosting, bagging ансамбли: xgboost, catboost, adaboost, gradient boost

unsupervised learning: KNN clustering, Hierarchial clustering, DBSCAN, Isolation Forest bayesian: monte carlo simultion, mcmc (Monte Carlo Markov Chains)

методы снижения размерности признакового пространства(dimension reduction): pca(principal component analysis), pls(partial least squares), lda(linear discriminant analysis), qda(quadratic discriminant analysis)

эконометирика: arima, garch, adf-augmented dickey fuller тест на стационарность, Granger Casuality Test

risk managment: Var, CVar, EVT (extreme value theorem)

portfolio managment: cla(markowitz efficient frontier), capm, cot(commitments of traders) data

(Список литературы: afml, islp)

Моя активность на GitHub
Stats

Top Langs

Как склонировать репозиторий

git clone https://github.com/bestEff0rts/quantamental.git

Установка

pip install -r requirements.txt