Этот курс входит в специализацию ''Специализация Investment Management with Python and Machine Learning'

4.8
звезд
Оценки: 1,198

Vijay Vaidyanathan, PhD и еще 1 преподаватель

48 117 уже зарегистрированы

от партнера

Специализация Investment Management with Python and Machine LearningШкола бизнеса EDHEC

Об этом курсе

Недавно просмотрено: 63 203

The practice of investment management has been transformed in recent years by computational methods. This course provides an introduction to the underlying science, with the aim of giving you a thorough understanding of that scientific basis. However, instead of merely explaining the science, we help you build on that foundation in a practical manner, with an emphasis on the hands-on implementation of those ideas in the Python programming language. 
This course is the first in a four course specialization in Data Science and Machine Learning in Asset Management but can be taken independently. In this course, we cover the basics of Investment Science, and we'll build practical implementations of each of the concepts along the way. We'll start with the very basics of risk and return and quickly progress to cover a range of topics including several Nobel Prize winning concepts. We'll cover some of the most popular practical techniques in modern, state of the art investment management and portfolio construction. 

As we cover the theory and math in lecture videos, we'll also implement the concepts in Python, and you'll be able to code along with us so that you have a deep and practical understanding of how those methods work. By the time you are done, not only will you have a foundational understanding of modern computational methods in investment management, you'll have practical mastery in the implementation of those methods.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 4 в программе

Специализация Investment Management with Python and Machine Learning

Прибл. 25 часов на выполнение

Английский

Субтитры: Арабский, Французский, Португальский (Европа), Итальянский, Вьетнамский, Немецкий, Русский, Английский, Испанский

Чему вы научитесь

Gain an intuitive understanding for the underlying theory behind Modern Portfolio Construction Techniques
Write custom Python code to estimate risk and return parameters
Utilize powerful Python optimization libraries to build scientifically and systematically diversified portfolios
Build custom utilities in Python to test and compare portfolio strategies

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 4 в программе

Специализация Investment Management with Python and Machine Learning

Прибл. 25 часов на выполнение

Английский

Преподаватели

Оценка преподавателя

4,88/5 (оценок: 415)

Vijay Vaidyanathan, PhD

Optimal Asset Management Inc.

CEO

51 521 учащийся

2 курса

Lionel Martellini, PhD

EDHEC-Risk Institute, Director

Finance

54 555 учащихся

3 курса

от партнера

Школа бизнеса EDHEC

Founded in 1906, EDHEC is now one of Europe’s top 15 business schools .

Based in Lille, Nice, Paris, London and Singapore, and counting over 90 nationalities on its campuses, EDHEC is a fully international school directly connected to the business world. With over 40,000 graduates in 120 countries, it trains committed managers capable of dealing with the challenges of a fast-evolving world. Harnessing its core values of excellence, innovation and entrepreneurial spirit, EDHEC has developed a strategic model founded on research of true practical use to society, businesses and students, and which is particularly evident in the work of EDHEC-Risk Institute and Scientific Beta. The School functions as a genuine laboratory of ideas and plays a pioneering role in the field of digital education via EDHEC Online, the first fully online degree-level training platform. These various components make EDHEC a centre of knowledge, experience and diversity, geared to preparing new generations of managers to excel in a world subject to transformational change. EDHEC in figures: 8,600 students in academic education, 19 degree programmes ranging from bachelor to PhD level, 184 professors and researchers, 11 specialist research centres.

Программа курса: что вы изучите

Оценка контента94%(3,880 оценки)

Неделя

Неделя 1

7 ч. на завершение

Analysing returns

7 ч. на завершение

14 видео ((всего 225 мин.)), 6 материалов для самостоятельного изучения, 1 тест

14 видео

Welcome video3мин

Installing Anaconda3мин

Fundamentals of Returns10мин

Lab Session-Basics of returns29мин

Measures of Risk and Reward9мин

Lab Session-Risk Adjusted returns28мин

Measuring Max Drawdown10мин

Lab Session-Drawdown30мин

Deviations from Normality9мин

Lab Session-Building your own modules12мин

Downside risk measures8мин

Lab Session-Deviations from Normality30мин

Estimating VaR10мин

Lab Session-Semi Deviation, VAR and CVAR27мин

6 материалов для самостоятельного изучения

Material at your disposal5мин

Material for the Lab Sessions10мин

Module 1- Key points2мин

INCORRECT STATEMENT IN “DEVIATION FROM NORMALITY” VIDEO10мин

Semi Deviation10мин

Before the Quiz10мин

1 практическое упражнение

Module 1 Graded Quiz1ч

Неделя

Неделя 2

4 ч. на завершение

An Introduction to Portfolio Optimization

4 ч. на завершение

10 видео ((всего 172 мин.)), 1 материал для самостоятельного изучения, 1 тест

10 видео

The only free lunch in Finance11мин

Lab Session-Efficient frontier-Part 123мин

Markowitz Optimization and the Efficient Frontier9мин

Applying quadprog to draw the efficient Frontier11мин

Lab Session-Asset Efficient Frontier-Part 220мин

Lab Session-Applying Quadprog to Draw the Efficient Frontier38мин

Fund Separation Theorem and the Capital Market Line7мин

Lab Session-Locating the Max Sharpe Ratio Portfolio25мин

Lack of robustness of Markowitz analysis5мин

Lab Session-Plotting EW and GMV on the Efficient Frontier20мин

1 материал для самостоятельного изучения

Module 2 - Key points2мин

1 практическое упражнение

Module 2 Graded Quiz1ч

Неделя

Неделя 3

5 ч. на завершение

Beyond Diversification

5 ч. на завершение

15 видео ((всего 236 мин.)), 4 материалов для самостоятельного изучения, 1 тест

15 видео

Limits of diversification8мин

Lab session- Limits of Diversification-Part119мин

Lab session-Limits of diversification-Part 222мин

An introduction to CPPI - Part 17мин

An introduction to CPPI - Part 210мин

Lab session-CPPI and Drawdown Constraints-Part129мин

Lab session-CPPI and Drawdown Constraints-Part228мин

Simulating asset returns with random walks10мин

Monte Carlo Simulation6мин

Lab Session-Random Walks and Monte Carlo22мин

Analyzing CPPI strategies11мин

Lab Session-Installing IPYWIDGETS5мин

Designing and calibrating CPPI strategies12мин

Lab session - interactive plots of monte Carlo Simulations of CPPI and GBM-Part119мин

Lab session - interactive plots of monte Carlo Simulations of CPPI and GBM-Part221мин

4 материала для самостоятельного изучения

Module 3 - Key points2мин

ipywidgets installation - info5мин

gbm function10мин

Instruction prior to begin the module 3 graded quizz10мин

1 практическое упражнение

Module 3 Graded Quiz45мин

Неделя

Неделя 4

9 ч. на завершение

Introduction to Asset-Liability Management

9 ч. на завершение

12 видео ((всего 327 мин.)), 5 материалов для самостоятельного изучения, 1 тест

12 видео

From Asset Management to Asset-Liability Management7мин

Lab Session-Present Values,liabilities and funding ratio22мин

Liability hedging portfolios12мин

Lab Session-CIR Model and cash vs ZC bonds1ч 8мин

Liability-driven investing (LDI)10мин

Lab Session-Liability driven investing51мин

Choosing the policy portfolio14мин

Lab Session-Monte Carlo simulation of coupon-bearing bonds using CIR33мин

Beyond LDI11мин

Lab Session-Naive risk budgeting between the PSP & GHP44мин

Liability-friendly equity portfolios10мин

Lab Session-Dynamic risk budgeting between PSP & LHP40мин

5 материалов для самостоятельного изучения

Module 4 - Key points2мин

Dynamic Liability-Driven Investing Strategies: The Emergence Of A New Investment Paradigm For Pension Funds?1ч 30мин

Liability-Driven-Investing1ч

Instruction prior to begin module 4 graded quiz2мин

To be continued (1)5мин

1 практическое упражнение

Module 4 Graded Quiz1ч

Рецензии

4.8

Рецензии: 339

5 stars
85,26 %
4 stars
12,75 %
3 stars
1,15 %
2 stars
0,41 %
1 star
0,41 %

Лучшие отзывы о курсе INTRODUCTION TO PORTFOLIO CONSTRUCTION AND ANALYSIS WITH PYTHON

от партнера LL11 дек. 2019 г.

This is one of the best online courses which combines the knowledge of Finance and Python. In fact, with python as a tool, I can have a better understanding of the theory behind it.

от партнера HY15 сент. 2020 г.

Perfect Course to get started with the basics of Portfolio Construction. The python code with the guided lab sessions becomes easy and quick to grasp and the instructors are awesome!!

от партнера MP5 авг. 2020 г.

There is a tremendous amount of material to be learned in this course and it is quite challenging material but for anyone interested in this topic I think the instruction is excellent.

от партнера AC10 апр. 2021 г.

A well-balanced course between theory, applications and coding. If you are an intermediate finance student that is looking for a practical toolkit with python, this is the right course

Посмотреть все отзывы

Специализация Investment Management with Python and Machine Learning: общие сведения

The Data Science and Machine Learning for Asset Management Specialization has been designed to deliver a broad and comprehensive introduction to modern methods in Investment Management, with a particular emphasis on the use of data science and machine learning techniques to improve investment decisions.By the end of this specialization, you will have acquired the tools required for making sound investment decisions, with an emphasis not only on the foundational theory and underlying concepts, but also on practical applications and implementation. Instead of merely explaining the science, we help you build on that foundation in a practical manner, with an emphasis on the hands-on implementation of those ideas in the Python programming language through a series of dedicated lab sessions.

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.

Остались вопросы? Посетите Центр поддержки учащихся.

Introduction to Portfolio Construction and Analysis with Python