Beginnersgids: ML-classificatie toegepast op financiële data
Concrete algoritmen die werken met echte marktdata, geen theoretische voorbeelden die je nooit gebruikt.
Stap voor stap het opzetten van een testomgeving, met aandacht voor veelgemaakte fouten zoals lookahead bias.
Positiegroottes, drawdown-limieten en stop-loss logica — de onderdelen die bepalen of een strategie lang meegaat.
Niet iedereen die werkt met financiële data heeft een achtergrond in statistiek of programmeren. Toch wordt van steeds meer analisten verwacht dat ze begrijpen wat een classificatiemodel doet.
Vanwaar de verwarring bij beginners
De meeste introductiecursussen gebruiken voorbeelden zoals bloemensoorten of spamdetectie. Handig voor de theorie, maar ver verwijderd van wat je tegenkomt bij het werken met obligatiedata of aandelenregisters. Tijdens deze sessie gebruiken we uitsluitend voorbeelden uit de financiële wereld.
We starten bij nul: wat is een feature, wat is een label, en hoe beslissingen een model neemt bij het onderscheiden van investment-grade versus high-yield obligaties. Geen wiskundige afleiding, wel intuïtief begrip van wat er achter de schermen gebeurt.
Wat je mee naar huis neemt
- Een werkend Jupyter Notebook met een eenvoudig classificatiemodel
- Begrip van de verwarring die optreedt bij overlappende instrumentcategorieën
- Een checklist voor datakwaliteit specifiek voor financiële datasets
Deelnemers krijgen toegang tot een besloten communitychat waar ze na de sessie vragen kunnen stellen en code kunnen delen. Begeleider Nathalie Verbraecken beantwoordt vragen binnen 48 uur.
Geen voorkennis van Python vereist, al helpt basiskennis van Excel of Google Sheets bij het begrijpen van de datavormen.
Programma
Wat je doorloopt, stap voor stapProgramma
-
Wat doet een classificatiemodel precies 20 min
-
Financiële instrumentdata als input 25 min
-
Je eerste model in scikit-learn 40 min
-
Resultaten lezen en interpreteren 30 min
-
Communitybespreking en vervolgstappen 15 min