| 課程編碼 Course Code | 中文課程名稱 Course Name (Chinese) | 英文課程名稱 Course Name (English) | 總學分數 Credits | 總時數 Hours |
|---|---|---|---|---|
| AB05130 | 機器學習與量化交易實務 | Machine Learning and Quantitative Trading Practices | 3.0 | 3 |
| 中文概述 Chinese Description | 本課程旨在帶領學生深入探討機器學習在量化交易與系統性投資策略中的應用。課程內容以嚴謹的數據工程為基礎，教授學生如何處理高頻市場數據（Market Data）與另類數據（Alternative Data，如新聞情緒與社群文本），並從中萃取具備預測力的 Alpha 因子。課程前期將著重於特徵工程（Feature Engineering）與金融時間序列的交叉驗證方法（如 Purged Cross-Validation），確保模型在時間序列上的穩健性。中期將系統性地介紹多種預測模型，包含樹狀集成模型（Random Forest, LightGBM）以及深度學習架構（CNN, RNN/LSTM），並探討其在資產定價與波動率預測上的應用。後期則著重於投資組合最佳化與嚴格的策略回測，引導學生使用 Python 生態系（如 Zipline, Alphalens, Pyfolio）評估策略的風險調整後報酬（例如夏普比率與最大回撤）。期末專題要求學生分組實作一個完整的端到端（End-to-End）量化交易策略。 | |||
| 英文概述 English Description | This course explores the application of machine learning in algorithmic trading and systematic investment strategies. Grounded in rigorous data engineering, it teaches students to process market and alternative data (e.g., news sentiment) to extract predictive Alpha factors.The first half focuses on feature engineering and financial time-series cross-validation (e.g., Purged CV) to ensure model robustness. The second half systematically introduces various predictive models, including tree-based ensembles (Random Forest, LightGBM) and deep learning architectures (CNN, RNN/LSTM), applied to asset pricing and volatility prediction. Finally, the course covers portfolio optimization and rigorous backtesting. Students will use the Python ecosystem (Zipline, Alphalens, Pyfolio) to evaluate risk-adjusted performance metrics. The course culminates in a final project where students develop an end-to-end quantitative trading strategy. | |||
| 核心能力指標 | 1.具備資訊與財金管理領域的專業知識並瞭解其在相關領域上的應用 2.策劃及執行專題研究之能力 4.創新思考與獨立解決問題的能力 5.具備跨領域團隊合作與溝通協調的組織能力 | |||
備註：