Ensemble-methoden voor aandelenmarktanalyse
Inhoud van deze masterclass
Veel kwantitatieve analisten werken met enkelvoudige modellen zoals lineaire regressie of een standaard beslissingsboom. Het probleem is dat deze modellen gevoelig zijn voor ruis in financiële tijdreeksen en snel overfitten op historische data.
Ensemble-modellen in de praktijk van aandelenanalyse
Random Forest en XGBoost worden bij grote vermogensbeheerders gebruikt om factormodellen te bouwen die stabielere voorspellingen geven dan klassieke regressietechnieken. De reden is eenvoudig: door meerdere zwakke leerders te combineren, worden individuele fouten gemiddeld weg.
Concreet toepassingsgebied
Deze masterclass richt zich op drie praktische vraagstukken: voorspelling van kortetermijnrendementen op basis van technische indicatoren, classificatie van marktregimes en portefeuilleoptimalisatie met behulp van feature importance-scores.
Deelnemers werken met Python, scikit-learn en echte beursdata van Euronext Brussels en AEX. Elke oefening is gebaseerd op een realistisch scenario, geen gesimuleerde ideaalgevallen.
Wat voorkennis vereist is
Basiskennis van Python en statistiek is noodzakelijk. Kennis van financiële markten is nuttig maar geen vereiste.
De cursus bevat vijf modules, elk afgerond met een beoordeelde opdracht. Begeleiding verloopt via een besloten forum met wekelijkse feedback van de instructeur.
Programma overzicht
-
Module 1: Beslisbomen en hun beperkingen
Opbouw van een enkelvoudige beslisboom op aandelendata. Analyse van overfitting via cross-validatie en leerscurves.
-
Module 2: Random Forest voor rendementclassificatie
Training en tuning van een Random Forest op dagelijkse OHLCV-data. Interpretatie van feature importance voor technische indicatoren.
-
Module 3: Gradient Boosting en XGBoost
Vergelijking van XGBoost met Random Forest op volatiliteitsdata. Hyperparameteroptimalisatie via Bayesian search.
-
Module 4: Marktregime-detectie met ensemble-classificatoren
Gebruik van ensemble-methoden om bull-, bear- en zijwaartse markten te onderscheiden op basis van macro-economische features.
-
Module 5: Eindopdracht en evaluatie
Bouw een volledig ensemble-model op een zelfgekozen dataset. Beoordeling op modelkeuze, validatiemethode en interpretatie.
Klaar voor verdieping?
Bekijk het volledige leertraject of neem contact op met Renvik Olo voor meer informatie over deelname en inhoud.