前提：
- 统计学习（统计分析）和机器学习之间的区别
- 金融公司采用机器学习技术及招募相关人才
了解不同类型的机器学习
- 有监督学习 vs 无监督学习
- 迭代和评估
- 偏差方差权衡
- 结合有监督学习和无监督学习（半监督学习）
了解机器学习语言和工具集
- 开源 vs 专有系统和软件
- Python vs R vs Matlab
- 库和框架
了解神经网络
了解金融基本概念
- 了解股票交易
- 了解时间序列数据
- 了解金融分析
金融领域机器学习案例研究
- 信号生成和测试
- 特征工程
- 人工智能算法交易
- 数量贸易预测
- 针对资产组合管理的机器人顾问
- 风险管理和欺诈检测
- 保险承保
实践：用于机器学习的Python
- 设置Workspace
- 获取Python机器学习库和包
- 使用Pandas
- 使用Scikit-Learn
将金融数据导入Python
- 使用Pandas
- 使用Quandl
- 与Excel集成
用Python处理时间序列数据
- 探索你的数据
- 可视化你的数据
用Python实现常见的金融分析
- 收益
- 移动窗口
- 波动性计算
- 普通最小二乘回归（OLS）
用Python监督机器学习开发算法交易策略
- 了解动量交易策略
- 了解逆转交易策略
- 实施你的简单的移动平均线（SMA）交易策略
回溯测试（Backtesting）你的机器学习交易策略
- 学习回测的陷阱
- 你的回测器（Backtester）组件
- 使用Python回测工具
- 实现你的简单回测器
改进你的机器学习交易策略
- KMeans
- K最近邻（KNN）算法
- 分类或回归树
- 遗传算法
- 使用多符号投资组合
- 使用风险管理框架
- 使用事件驱动的回测
评估你的机器学习交易策略的表现
- 使用夏普比率（Sharpe Ratio）
- 计算最大跌幅
- 使用复合年增长率（CAGR）
- 衡量收益的分配
- 使用贸易水平指标
- 总结