CQF第五模块的课程内容主要是学习更多金融机器学习的方法。从无监督学习、深度学习和神经网络开始，我们将进入自然语言处理和强化学习。
CQF学员们将学习理论框架，但更重要的是，分析实际案例研究，探索如何在金融中使用这些技术。
1、无监督学习|
K均值聚类
自组织地图
HAC和SOM的优缺点
金融应用
2、无监督学习II
维度效应
t分布随机邻居嵌入(t-SNE)
均匀流形逼近和投影(UMAP)
自编码器
金融应用
3、深度学习和神经网络
什么是人工神经网络和深度学习？
感知器模型，反向传播
神经网络架构：前馈、循环、长短期记忆、卷积、生成对抗
金融应用
4、自然语言处理
预处理
词向量化，Word2Vec
深度学习和NLP工具
金融应用：情绪变化与远期回报；标准普尔500指数的情绪变化趋势；收益电话分析。
代码示例
5、强化学习I
Recap of multi-armed bandit
开发-探索权衡
探索策略：softmax与epsilon-greedy
强化学习中的风险敏感性
6、强化学习II
强化学习案例研究
算法交易的应用
在自动化做市中的应用
7、基于人工智能的算法交易策略
使用Python和Pandas进行基本财务数据分析
从金融时间序列创建特征和标签数据以进行市场预测
机器学习分类算法在预测市场走势中的应用
基于预测的算法交易策略的向量化回测
算法交易策略的风险分析
8、金融的实用机器学习案例研究
资产价格行为和波动率建模
具有估计漂移和扩散函数的经验SDE
广义Stoch Vol模型，从数据中学习动态模型
使用机器学习的期权定价和对冲
奇异期权的模型免费定价
使用机器学习进行稳健的投资组合优化
去噪和消除协方差矩阵
嵌套集群优化
9、金融中的量子计算
定义量子计算
回顾量子计算的三个关键要素：量子位、量子门和量子电路
列举量子计算在各个领域的一些应用
使用IBM Quantum Experience在线构建简单的量子电路
了解如何使用Python模块Qiskit编写自己的量子程序
回顾量子计算的一些金融应用，特别是欧洲看涨期权
