額...我開課了──聊聊這堂課 & 機器學習的金融價格預測議題

去年錄製好的線上課程，今年終於上架了！

非常慚愧，在方格子平台還沒寫幾篇內容，就要先宣傳自己的課程。不過現在67折優惠，宣傳還是有必要的吧，哈！我就維持喜寫論述的習性，介紹一下這門課程，以及我在這個領域──金融商品價格預測──所看見的狀況。

這堂課跟這幾年工作項目衍生性金融商品有關，也就是時間序列的主題。

在這波生程式AI浪潮中，機器學習或人工智能，已進入到很多人的生活視野。而我覺得 AI 題材中也極其有趣的題目，莫過於時間序列。

時間序列在業界被廣泛應用，像是庫存 / 銷售預估、電力需求或金融價格預測，都在時間序列的射程範圍中。 特別在金融領域，更是避險與建構交易策略的基礎。

但我注意到，雖然現在有諸多課程與強大的算法支援。在技術以外，有些實戰建模問題很少被探討。像是我所稱的”延後問題”——我們往往沒有足夠的領先指標，反映預測目標的變化。 忽上忽下的轉折點，實務上尤其抓不準。

這在金融上這尤其致命，使投資者無法做好提前避險的準備。在演算法複雜度高，或變數與預測目標間有過多相同資訊時，經常發生。

又或是，我們知道金融資產受總體環境、政策、突發事故與基本面影響。可在特定時間內，價格未必會被這些因素同時影響：有時候政策影響大，有時則是供需層面。 這也暗指建模資料，未必與特定市場環境匹配。

在課程中，我們會在模型測試與驗證環節中，呈現以上常見實務問題。儘管聽來難解，但卻是我覺得開發者新手上路時，需要洞悉的。

而作為一個入門課程，當然我也獨立出一些小節探討這些議題，並在入門者可以理解的範圍，嘗試提出一些解法。 此外，我也會提及基本的統計概念、分析方法與數據解讀。

這課程包含三大部分：資料型態與視覺化、基礎統計與時間序列分析，以及建立模型與實戰問題探討。舉例來說，我會介紹自相關性，了解預測目標過去與現在的關聯。也使用 python 統計套件拆解時間序列，看出序列的組成；更用 Prophet 模型，以演算法的視角量化趨勢與季節性的強度。

這 Prophet 模型，不僅名字炫炮，還是 Facebook (Meta 公司) 的開源模型。其更適合統計 / 數據小白操作。因為傳統時間序列揀選模型，仰賴數量技巧與經驗判斷，但 Prophet 克服此限制，因而適合新手。

而且他也是參數很豐富的模型，也可適應複雜的資料變化，同時與機器學習的訓練流程串聯，確實是機器學習和時間序列的橋樑。

再一次，作為一堂入門課程，不管純粹想了解技術，或想要轉戰數據領域，本課是很好的開始，也是前往進階技術的基石！實務與觀念並重，有涉及數理解釋的，更用圖解的方式呈現數學概念。

課程 67 折現正優惠中到──今年 7 / 6為止 ➡️ 優惠價1,990元

✅傳送門： https://bit.ly/3C95EbF

️