Ich helfe bei Python, Finanzen, maschinellem und tiefem Lernen, Quant und Handelsalgorithmen

Proprietäre quantitative Modelle und algorithmische Handelsstrategien für Long/Short-Aktienoptimierungsmodelle mit spezifischen Risiko- und Renditeparametern, die durch das Anlegerprofil festgelegt werden, unter Verwendung von maschinellem/tiefem Lernen sowie Q-Reinforcement-Learning-Agenten.

Modelle für maschinelles Lernen nutzen multivariate/logistische Regression, Lasso/Ridge-Regression, lineare/quadratische Diskriminanzanalyse, Entscheidungsbäume, K-Nachbarn, Naive Bayes, Random Forest, Support Vector Machine, Adaptiveboost, GradientBoost, XGB und Portfoliooptimierung, um die Rendite zu maximieren und zu minimieren Volatilität für verschiedene Anlegerrisikoprofile.

Deep-Learning-Modellierung unter Verwendung wiederkehrender neuronaler Netze, Tensorflow, nltk, Stimmungsanalysator, Keras LSTM und Faltungs-Neuronalnetzen, um die prognostizierten Preise bestimmter Anlageklassen anhand von Aktien, Devisen, Anleihen, Futures, ETFs und anderen Derivaten vorherzusagen.

Proprietärer maschineller/Deep-Learning-Long/Short-Intraday-Algorithmus unter Verwendung der Interactive Brokers API und der Python-Bibliothek IB_Insync.