Deep Learning per il Trading Online
In questo Workshop implementiamo un'architettura convolutivo-ricorrente per ottenere previsioni sul mercato dei CFD
What you will learn
Utilizzare il Deep Learning per implementare modelli predittivi in ambito Trading
Realizzare un'architettura convolutivo-ricorrente profonda per ottenere previsioni sul mercato dei CFD
Esplorare un dataset di candele H1 relative ai CFD dal 2020 al 2021
Trasformare i dati grezzi in informazioni utili ad addestrare un modello predittivo basato su un'architettura ibrida
Scaricare il codice utilizzato durante il workshop per sperimentare in prima persona
Why take this course?
Ciao e benvenuto nel Workshop Deep Learning per il Trading Online.
Grazie alle ultime evoluzioni di Intelligenza Artificiale oggi è possibile utilizzare il Deep Learning per implementare modelli predittivi in ambito Trading.
In questo Workshop implementiamo ed utilizziamo una architettura convolutivo-ricorrente per ottenere previsioni sul mercato dei CFD, mostrandoti come è possibile addestrare architetture profonde anche in mercati altamente complessi e frenetici.
Partendo dai principi di analisi tecnica in campo di prodotti finanziari, esploriamo un dataset di candele H1 relative ai CFD dal 2020 al 2021, trasformandone i dati grezzi in informazioni utili ad addestrare un modello predittivo basato su un’architettura ibrida, in grado indicarci i prossimi livelli di prezzo ed effettuiamo delle simulazioni per utilizzare i segnali forniti dal modello predittivo su dati storici.
All’interno del workshop hai anche la possibilità di scaricare il Jupyter Notebook usato nel video e il codice sorgente del modello predittivo.
Parte 1 - Introduzione ai CFD: Partiamo dall’introduzione allo strumento finanziario dei CFD, introduciamo le candele giapponesi e i concetti di bid e ask.
Parte 2 - Analisi Tecnica: Passiamo alla teoria e principi dell’analisi tecnica nel campo dei prodotti finanziari.
Parte 3 - Data Analysis: Effettuiamo Data Analysis, Data Engineering e Data Visualization esplorando un dataset di candele H1 relative ai CFD dal 2020 al 2021.
Parte 4 - Implementazione modello predittivo: Trasformiamo i dati grezzi in informazioni utili ad addestrare un modello predittivo basato su un’architettura ibrida convolutivo-ricorrente in grado indicarci i prossimi livelli di prezzo.
Parte 5 - Backtesting: Effettuiamo infine delle procedure di backtesting per utilizzare i segnali forniti dal modello predittivo su dati storici e simulare una strategia sul mercato reale.