菜鳥救星 菜鳥救星
為什麼要學?
  1. 你知道疫情全球股市大跌,期貨市場反而可以大賺?
  2. 你知道期貨量化交易,很適合高頻率交易嗎?
  3. 你懂程式語言,但不知道如何開始量化投資嗎?
  4. 你知道期貨量化交易要把交易成本寫入程式嗎?
學習痛點
  1. 迷失的自學者,在各種網路資訊中迷失,難以找到明確且系統化的學習目標,花了大把時間跟精力,卻還是難以達到專業。
  2. 脫離不了「新手舒適圈」,Python是最容易學的語言,但還是只會改sample code ,缺乏實務應用。
  3. 期貨初學者,對於槓桿操作恐懼,自己買教科書來看又覺得艱澀難懂,花時間google後的資訊也難以消化。
  4. 投資老手,想當沖穩定獲利卻又不知道該擬定哪種策略,缺乏獨立分析的能力,想透過Python智慧投資建立回測模型。
  5. App、語音下單,看的到買不到、也賣不出去,想學程式自動化交易設定,卻不知道怎麼開始。
適合誰來學?
  1. 投資菜鳥 | 想投資期貨,卻不懂交易規則,也不懂如何控制風險。
  2. 期貨新手 | 聽到追繳保證金會心驚驚,卻不知道如何設定停利停損。
  3. 小資男女 | 投資初段班,喜好頻繁交易,手上不想長抱股票的小資族。
  4. 上班族 | 死命工作窮忙族,職場奮鬥比誰都努力,收入卻沒增加。
上完課後你可以
  1. 短線量化交易,當沖現金為王。
  2. 善用槓桿操作,控制交易成本與風險。
  3. 避免確認偏誤,以程式保持客觀投資。
  4. 建立穩定投資模組,回測交易模型。
我能學到什麼?

圖說:透過程式學習,客觀判斷黃金期貨買進賣出的時機

圖說:利用機器學習得到美國公債績效分析

  1. 建立期貨交易概念,認識金融投資商品差異。
  2. 學習投資策略,建立正確量化分析概念。
  3. 利用即時資料與歷史回測,分析自己投資策略。
  4. 使用程式篩選策略與指標,找出可行投資標的。
  5. 建立專屬投資策略程式,不斷優化期貨交易模組程式。
課程優勢
  1. 老師曾任職券商及IT產業,專注於類神經決策模型及分散式共識系統,實戰經驗豐富。
  2. 老師擁有多年教學經驗,瞭解量化投資初學者痛點,由專家領航初學者也能輕鬆學習。
  3. 多數人會耗費80%的時間處理資料,本課程透過開源資料庫提供台灣官方標的物資料量。
  4. 專為散戶投資人打造的課程,學習建立屬於自己完整的投資策略,創造更好的投資績效。
  5. 手把手教學,課程中Live同步實作,提供完整課程程式碼範例,省去自己串接資料庫的困擾。
  6. 直播課程零時差!有別於一般線上課程,課間即時發問即時回答,不必苦等解答,大幅提升成效。
注意事項
  1. 收到款項後恕不退費,惟本人不克參加可將資格轉讓他人。
  2. 投資理財有賺有賠,本課程不保證任何投資獲利成效。
  3. 課程執行單位保留調整課程內容、日程與講師之權利。
課程大綱
  • 學習目標:了解軟硬體、高階程式語言如何運行,並學習Python基礎運算、邏輯控制與函式

  • 單元1:為什麼要學Python
  • 單元2:軟體與硬體基礎
  • 單元3:使用Python - 運算單位與運算
  • 單元4:使用Python - 條件與循環控制
  • 單元5:使用Python - 函式

  • 作業1:練習基礎運算、條件與循環
  • 作業2:練習函數
  • 學習目標:學習使用Python操作物件導向以及溝通程式外部資源

  • 單元1:使用Python - 物件導向
  • 單元2:使用Python - 副程式與封裝
  • 單元3:使用Python - IPC與網路
  • 單元4:使用Python - 資料處理函式庫

  • 作業1:練習物件導向
  • 作業2:練習資料處理
  • 學習目標:學習操作程式交易函式庫及量化交易策略

  • 單元1:交易框架與函式庫介紹
  • 單元2:使用交易物件
  • 單元3:操作交易策略模組
  • 單元4:操作交易資料進行運算
  • 單元5:建構交易策略
  • 單元6:交易框架應用練習

  • 作業1:三分鐘自動交易程式
  • 作業2:交易策略編寫(MA、RSI、KD)
  • 學習目標:了解市場、交易媒介與價格形成原理

  • 單元1:交易是什麼
  • 單元2:經濟體、商品、市場、價值與共識
  • 單元3:傳統交易理論
  • 單元4:期貨商品定價原理
  • 單元6:交易策略優化與驗證方法

  • 作業1:自訂交易策略
  • 作業2:回測驗證與篩選
  • 學習目標:了解機器學習原理,建立與使用機器學習模型

  • 單元1:抽象概念實現—要素因子建構法、目標結果逼近法
  • 單元2:機器學習概論
  • 單元3:使用sklearn建立機器學習模型
  • 單元4:AI概論
  • 單元5:使用tensorflow、keras建立深度學習模型

  • 作業1:機器學習模型優化
  • 作業2:機器學習交易策略
  • 學習目標:了解類神經網路原理、建立與使用回歸與分類模型

  • 單元1:類神經網路模型
  • 單元2:前傳導、後傳導
  • 單元3:信號、權重、誤差、激發函數與神經元
  • 單元4:損失函數與梯度下降方法
  • 單元5:回歸與分類模型

  • 作業1:類神經網路練習
  • 作業2:建立回歸與分類模型應用
  • 學習目標:學習監督學習與期貨交易策略應用

  • 單元1:監督學習概論
  • 單元2:Representation and Genralization in AI
  • 監督學習分類應用
  • 監督學習回歸應用
  • 監督學習期貨交易應用

  • 作業1:監督學習期貨應用練習
  • 作業2:監督學習期貨交易策略
  • 學習目標:學習強化學習與期貨交易策略應用

  • 單元1:強化學習概論
  • 單元2:Exploration&Exploitation / Tempral Credit Assignment in AI
  • 單元3:強化學習基礎運行框架、目標近似函數設計
  • 單元4:馬可夫決策流程、貝曼函數
  • 單元5:Value base RL - Dynamic Programming Method
  • 單元6:Policy base RL - Gradium Ascend Method
  • 單元7:強化學習應用(DQN、PPO、A3C)

  • 作業1:強化學習應用練習
  • 作業2:強化學習交易策略
學員回饋