Python fur Finanzanalysen und algorithmisches Trading

Python fur Finanzanalysen und algorithmisches Trading

What you’ll learn

Nutze Numpy um schnell mit numerischen Daten zu arbeiten
Nutze Pandas zur Analyse und Visualisierung
Nutze Matplotlib, um benutzerdefinierte Darstellungen zu erstellen
Lerne das statsmodels Modul zur Zeitreihenanalyse kennen
Berechne Finanzstatistiken wie tägliche Renditen, kummulierte Renditen, Volatilität, etc.
Nutze ARIMA Modelle auf Zeitreihen-Daten
Verwende exponentiell gewichtete laufende Durchschnitte
Berechne die Sharpe Ratio
Optimiere Portfolio Allokationen
Verstehe das Capital Asset Pricing Model
Lerne die Hypothese der effizienten Märkte kennen

Requirements

Grundkenntnise der Programmierung in Python
Die Möglichkeit Anaconda (Python) downzuloaden
Grundlagen der Statistik und lineare Algebra sind hilfreich

Description

Willkommen zum Kurs “Python für Finanzanalysen und Algorithmisches Handeln”! Wenn Du dich dafür interessierst, wie man Python Als Data Scientist zur Durchführung exakter Finanzanalysen verwenden kann, dann ist dies der richtige Kurs für Dich!     “Wirklich sau gut erklärt! Dankeschön… Man kann alles sofort anwenden! :-)” (★★★★★ P. Livadas)    “Sehr übersichtlich und strukturiert, TOP!” (★★★★★ D. Ebraheim)Dieser Kurs gibt Dir eine Anleitung für alles, was Du für die Verwendung von Python für Finanzen und Algorithmisches Handeln wissen musst! Wir werden mit den Grundlagen von Python anfangen und dann etwas über die verschiedenen Kernbibliotheken lernen, die im Py-Finance-Ökosystem verwendet werden, darunter jupyter, numpy, pandas, matplotlib, statsmodels, zipline und viele mehr!Wichtig: Unser Kurs zur Finanzanalyse erfordert Grundkenntnisse der Programmierung mit Python! Falls du die Grundlagen von Python bisher noch nicht erlernt hast, solltest du zuerst einen unserer Python-Kurse durcharbeiten! Wir werden die folgenden Themen besprechen, die von Finanzexperten verwendet werden:Python in der FinanzanalyseNumPy für sehr schnelle numerische VerarbeitungPandas für effiziente DatenanalyseMatplotlib für DatenvisualisierungVerwendung von pandas-datareader und Quandl zur DatenerfassungPandas Analysetechniken für ZeitreihenAnalyse von AktienrenditenKumulative TagesrenditenVolatilität und WertpapierrisikoMarkov ChainEWMA (Exponentially Weighted Moving Average)StatsmodelsETS (Error-Trend-Seasonality)ARIMA (Auto-regressive Integrated Moving Averages)Autokorrelationsdiagramme und Teil-Autokorrelationsdiagramme Sharpe-QuotientOptimierung der Portfolio-AufteilungEffiziente Grenze und Markowitz OptimierungArten von InvestmentfondsOrderbücherShort VerkäufePreismodell für Kapitalgüter (Capital Asset Pricing Model)Aktien-Splits und DividendenHypothese des effizienten MarktsTermingeschäfte handelnWas sind die Anforderungen?Grundlagen der Programmierung in PythonTechnische Voraussetzungen, um Anaconda (Python) herunter zu ladenGrundlegende Statistik und Lineare Algebra können nützlich seinWas bringt mir dieser Kurs?NumPy verwenden, um schnell mit numerischen Daten zu arbeitenPandas verwenden, um Daten zu analysieren und visualisierenMatplotlib verwenden, um benutzerdefinierte Diagramme zu erstellenAnwendung von statsmodels zur Zeitreihenanalyse erlernenFinanzstatistiken berechnen, wie tägliche Renditen, kumulative Renditen, Volatilität etc.Exponentiell gewichtete bewegliche Mittelwerte (EWMA) verwendenARIMA-Modelle auf Zeitreihendaten anwenden Sharpe-Quotienten berechnenPortfolio-Aufteilung optimierenPreismodell für Kapitalgüter verstehenEtwas über die Hypothese des effizienten Marktes lernenAn wen richtet sich dieser Kurs?An jemanden, der mit den Grundlagen von Python vertraut ist und etwas über Finanzanalysen lernen will!

Overview

Section 1: Kurseinführung

Lecture 1 Willkommen im Kurs

Lecture 2 Hinweise zum Kurs

Lecture 3 Kursübersicht

Lecture 4 Hinweis zu den Kursmaterialien

Lecture 5 Kursmaterialien

Lecture 6 Merkblätter

Lecture 7 Kurs FAQ

Section 2: Kurs Materialien und Setup

Lecture 8 Einrichten der Entwicklungsumgebung

Lecture 9 Python Installation Windows

Lecture 10 Python Installation MAC/Linux

Lecture 11 Jupyter Notebook Übersicht

Lecture 12 Wichtig Kurseinrichtung! Python Pakete mit Jupyter Notebook installieren

Section 3: Python Crash Kurs

Lecture 13 Willkommen beim Python Crash Kurs

Lecture 14 Einführung zum Python Crash Kurs

Lecture 15 Python Crash Kurs – Teil 1

Lecture 16 Python Crash Kurs – Teil 2

Lecture 17 Python Crash Kurs – Teil 3

Lecture 18 Python Crash Kurs – Teil 4

Lecture 19 Python Crash Kurs – Übung

Lecture 20 Python Crash Kurs – Lösung

Section 4: Numpy

Lecture 21 Willkommen zu Numpy

Lecture 22 Einführung zu Numpy

Lecture 23 NumPy Arrays

Lecture 24 NumPy Indizierung

Lecture 25 Numpy Operationen

Lecture 26 NumPy Übung – Aufgabe

Lecture 27 NumPy Übung – Lösung

Section 5: Pandas

Lecture 28 Willkommen zu Pandas

Lecture 29 Einführung in Pandas

Lecture 30 Pandas Zeitreihen (Time Series)

Lecture 31 DataFrames – Teil 1

Lecture 32 DataFrames – Teil 2

Lecture 33 DataFrames – Teil 3

Lecture 34 Missing Data (Fehlende Daten)

Lecture 35 Groupby (Gruppieren nach)

Lecture 36 Merge, Join und Concatenate

Lecture 37 Wichtige Operationen

Lecture 38 Hinweis zur Pandas Übung

Lecture 39 Pandas Übung – Aufgabe

Lecture 40 Pandas Übung – Lösung

Section 6: Visualisierungen mit Matplotlib und Pandas

Lecture 41 Willkommen zu den Visualisierungen

Lecture 42 Einführung zu Visualisierungen in Python

Lecture 43 Matplotlib – Teil 1

Lecture 44 Matplotlib – Teil 2

Lecture 45 Matplotlib – Teil 3

Lecture 46 Matplotlib Übung – Aufgabe

Lecture 47 Matplotlib Übung – Lösung

Lecture 48 Pandas Visualisierung (Teil 1)

Lecture 49 Pandas Visualisierung (Teil 2)

Lecture 50 Pandas Visualisierung Übung – Aufgabe

Lecture 51 Pandas Visualisierung Übung – Lösung

Section 7: Datenquellen

Lecture 52 Einführung zu Datenquellen

Lecture 53 Daten Input – CSV

Lecture 54 Daten Input – Excel

Lecture 55 Daten Input – HTML

Lecture 56 Daten Input – SQL

Lecture 57 Daten Input – JSON

Lecture 58 Hinweis zum Pandas-Datareader

Lecture 59 Pandas DataReader

Lecture 60 Quandl Update

Lecture 61 Quandl

Section 8: Pandas und Zeitreihen (Time Series)

Lecture 62 Willkommen zu Pandas für Zeitreihen

Lecture 63 Einführung Zeitreihen mit Pandas

Lecture 64 Datetime Index

Lecture 65 Time Resampling

Lecture 66 Time Shifting

Lecture 67 Rolling und Expanding

Lecture 68 Bollinger Bänder

Section 9: Meilenstein Projekt – Aktienmarkt Analyse

Lecture 69 Willkommen zum Meilenstein Projekt

Lecture 70 Aktienmarkt Analyse Projekt – Aufgabe

Lecture 71 Aktienmarkt Analyse Projekt – Lösung (Teil 1)

Lecture 72 Aktienmarkt Analyse Projekt – Lösung (Teil 2)

Lecture 73 Aktienmarkt Analyse Projekt – Lösung (Teil 3)

Lecture 74 Aktienmarkt Analyse Projekt – Lösung (Teil 4)

Lecture 75 Aktienmarkt Analyse Projekt – Lösung (Teil 5)

Lecture 76 Aktienmarkt Analyse Projekt – Lösung (Teil 6)

Section 10: Zeitreihen Analyse

Lecture 77 Willkommen zur Zeitreihen Analyse

Lecture 78 Einführung zu Zeitreihen

Lecture 79 Zeitreihen Grundlagen

Lecture 80 Einführung zu Statsmodels

Lecture 81 ETS Theorie

Lecture 82 ETS Code

Lecture 83 EWMA Theorie

Lecture 84 EWMA Code

Lecture 85 ARIMA Theorie

Lecture 86 ACF und PACF

Lecture 87 ARIMA mit Statsmodels

Lecture 88 ARIMA Code – Teil 2

Lecture 89 ARIMA Code – Teil 3

Lecture 90 ARIMA Code – Teil 4

Lecture 91 Diskussion zur PDQ Auswahl

Section 11: Python Finanz-Grundlagen

Lecture 92 Willkommen zu den Finanz-Grundlagen

Lecture 93 Einführung zu den Finanz-Grundlagen mit Python

Lecture 94 Sharpe Ratio

Lecture 95 Portfolioallokation Code – Teil 1

Lecture 96 Portfolioallokation Code – Teil 2

Lecture 97 Portfolio Optimierung

Lecture 98 Portfolio Optimierung Code – Teil 1

Lecture 99 Portfolio Optimierung Code – Teil 2

Lecture 100 Portfolio Optimierung Code – Teil 3

Lecture 101 Portfolio Optimierung Code – Teil 4

Lecture 102 Kernthemen Finanzen

Lecture 103 Arten von Fonds

Lecture 104 Auftragsbücher

Lecture 105 Leerverkäufe

Lecture 106 CAPM – Capital Asset Pricing Model

Lecture 107 CAPM Code

Lecture 108 Aktien Splits und Dividenden

Lecture 109 EMH

Section 12: Schluss + Bonus Lektion

Lecture 110 Bonus Lektion

Lecture 111 Haftungsausschluss

Lecture 112 Wir freuen uns über Bewertungen 🙂 Danke!

Section 13: Grundlagen des algorithmischen Trading mit Quantopian

Lecture 113 Einführung zu Quantopian

Lecture 114 Achtung: Blueshift statt Quantopian

Lecture 115 Quantopian Research Grundlagen

Lecture 116 Quantopian Algorithmus Grundlagen – Teil 1

Lecture 117 Quantopian Algorithmus Grundlagen – Teil 2

Lecture 118 Quantopian Algorithmus Grundlagen – Teil 3

Lecture 119 Erster Trading Algorithmus – Teil 1

Lecture 120 Erster Trading Algorithmus – Teil 2

Lecture 121 Trading Algorithmus Übung – Aufgabe

Lecture 122 Trading Algorithmus Übung – Lösung

Section 14: Quantopian Pipelines

Lecture 123 Quantopian Pipelines

Lecture 124 Quantopian Pipelines – Factors

Lecture 125 Quantopian Pipelines – Filters

Lecture 126 Quantopian Pipelines – Masking und Classifiers

Lecture 127 Quantopian Pipelines – IDE

Lecture 128 Pipeline Beispiel – Teil 1

Lecture 129 Pipeline Beispiel – Teil 2

Lecture 130 Pipeline Beispiel – Teil 3

Lecture 131 Pipeline Beispiel – Teil 4

Section 15: Finanzen mit Python für Fortgeschrittene

Lecture 132 Quantopian für Fortgeschrittene – Übersicht

Lecture 133 Leverage

Lecture 134 Hedging – Teil 1

Lecture 135 Hedging – Teil 2

Lecture 136 Hedging – Teil 3

Lecture 137 Portfolioanalyse mit PyFolio

Lecture 138 Aktienstimmungs-Analyse

Lecture 139 Einführung in Termingeschäfte (Futures)

Lecture 140 Termingeschäfte – Teil 1

Lecture 141 Termingeschäfte – Teil 2

Lecture 142 Termingeschäfte – Teil 3

Interessenten an Finanzanalysen und algorithmischem Trading,Alle die mit Python vertraut sind und ihr Portfolio erweitern möchten

Course Information:

Udemy | German | 20h 25m | 865.96 MB
Created by: Prof. Dr. René Brunner

You Can See More Courses in the Business >> Greetings from CourseDown.com