Acerca de este Curso

9,215 vistas recientes
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel avanzado
Aprox. 14 horas para completar
Inglés (English)
Subtítulos: Inglés (English)
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel avanzado
Aprox. 14 horas para completar
Inglés (English)
Subtítulos: Inglés (English)

ofrecido por

Logotipo de New York University

New York University

Programa - Qué aprenderás en este curso

Semana
1

Semana 1

4 horas para completar

Black-Scholes-Merton model, Physics and Reinforcement Learning

4 horas para completar
13 videos (Total 103 minutos)
13 videos
Specialization Prerequisites7m
Interview with Rossen Roussev14m
Reinforcement Learning and Ptolemy's Epicycles5m
PDEs in Physics and Finance5m
Competitive Market Equilibrium Models in Finance5m
I Certainly Hope You Are Wrong, Herr Professor!7m
Risk as a Science of Fluctuation3m
Markets and the Heat Death of the Universe3m
Option Trading and RL14m
Liquidity9m
Modeling Market Frictions9m
Modeling Feedback Frictions10m
1 ejercicio de práctica
Assignment 12h
Semana
2

Semana 2

3 horas para completar

Reinforcement Learning for Optimal Trading and Market Modeling

3 horas para completar
8 videos (Total 73 minutos)
8 videos
Invisible Hand5m
GBM and Its Problems9m
The GBM Model: An Unbounded Growth Without Defaults9m
Dynamics with Saturation: The Verhulst Model7m
The Singularity is Near9m
What are Defaults?11m
Quantum Equilibrium-Disequilibrium11m
1 ejercicio de práctica
Assignment 22h
Semana
3

Semana 3

3 horas para completar

Perception - Beyond Reinforcement Learning

3 horas para completar
8 videos (Total 60 minutos)
8 videos
Market Dynamics and IRL5m
Diffusion in a Potential: The Langevin Equation8m
Classical Dynamics7m
Potential Minima and Newton's Law4m
Classical Dynamics: the Lagrangian and the Hamiltonian7m
Langevin Equation and Fokker-Planck Equations9m
The Fokker-Planck Equation and Quantum Mechanics12m
1 ejercicio de práctica
Assignment 32h
Semana
4

Semana 4

4 horas para completar

Other Applications of Reinforcement Learning: P-2-P Lending, Cryptocurrency, etc.

4 horas para completar
9 videos (Total 79 minutos)
9 videos
Electronic Markets and LOB9m
Trades, Quotes and Order Flow7m
Limit Order Book8m
LOB Modeling8m
LOB Statistical Modeling10m
LOB Modeling with ML and RL9m
Other Applications of RL7m
The Value of Universatility15m

Revisiones

Principales revisiones sobre OVERVIEW OF ADVANCED METHODS OF REINFORCEMENT LEARNING IN FINANCE

Ver todos los comentarios

Acerca de Programa especializado: Machine Learning and Reinforcement Learning in Finance

The main goal of this specialization is to provide the knowledge and practical skills necessary to develop a strong foundation on core paradigms and algorithms of machine learning (ML), with a particular focus on applications of ML to various practical problems in Finance. The specialization aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include: (1) mapping the problem on a general landscape of available ML methods, (2) choosing particular ML approach(es) that would be most appropriate for resolving the problem, and (3) successfully implementing a solution, and assessing its performance. The specialization is designed for three categories of students: · Practitioners working at financial institutions such as banks, asset management firms or hedge funds · Individuals interested in applications of ML for personal day trading · Current full-time students pursuing a degree in Finance, Statistics, Computer Science, Mathematics, Physics, Engineering or other related disciplines who want to learn about practical applications of ML in Finance. The modules can also be taken individually to improve relevant skills in a particular area of applications of ML to finance....
Machine Learning and Reinforcement Learning in Finance

Preguntas Frecuentes

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.

  • Si estás suscrito, obtienes una prueba gratis de 7 días, que podrás cancelar cuando desees sin ningún tipo de penalidad. Una vez transcurrido ese tiempo, no realizamos reembolsos. No obstante, puedes cancelar tu suscripción cuando quieras. Consulta nuestra política completa de reembolsos.

  • Sí, Coursera ofrece ayuda económica a los estudiantes que no pueden pagar la tarifa. Solicítala haciendo clic en el enlace de Ayuda económica que está debajo del botón “Inscribirse” a la izquierda. Se te pedirá que completes una solicitud. Recibirás una notificación en caso de que se apruebe. Deberás completar este paso para cada uno de los cursos que forman parte del Programa especializado, incluido el proyecto final. Obtén más información.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.