Machine Learning voor Portfoliobeheer
Praktische vaardigheden voor realistische marktvoorspellingen
Wat je leert en hoe het werkt
Portfoliobeheer evolueert voorbij traditionele mean-variance optimalisatie. Dit programma verkent hoe machine learning technieken toegepast worden op asset allocatie en trading strategieën. De realiteit is genuanceerder dan blogs en conferenties doen geloven. Veel modellen falen omdat ze overfitted zijn op historische data of transactiekosten negeren.
Moderne optimalisatietechnieken
We starten met de basis: Markowitz portfolio theorie en haar beperkingen. Vervolgens introduceren we Black-Litterman modellen en risk parity benaderingen. Docent Katrien Wouters heeft acht jaar gewerkt bij vermogensbeheerders en kent de praktische valkuilen. Ze benadrukt bijvoorbeeld hoe correlaties instabiel worden tijdens marktcorrecties.
Neural networks en reinforcement learning
Halverwege duiken we in deep learning architecturen: LSTM-netwerken voor return prediction, autoencoders voor dimensionality reduction van feature sets. Het interessantste onderdeel behandelt reinforcement learning agents die trading policies leren. Je bouwt een agent met stable-baselines3 die traint op historische data terwijl hij transactiekosten en market impact meeneemt.
Backtesting zonder zelfbedrog
Het laatste deel focust op rigoureuze backtesting methodologie. Walk-forward analysis, out-of-sample testing, het voorkomen van look-ahead bias. Je leert hoe je realistische Sharpe ratios inschat en waarom de meeste gepubliceerde resultaten te mooi zijn om waar te zijn. De technische stack omvat Python met PyTorch, Zipline voor backtesting, en QuantLib voor pricing.
Programma-overzicht
Cursusstructuur
-
Fase 1 - Fundamenten: Modern portfolio theory, efficient frontier, Sharpe ratio optimalisatie. Black-Litterman framework, bayesiaanse updates van expected returns.
Weken 1-4 -
Fase 2 - Feature Engineering: Technical indicators, fundamental ratios, alternative data bronnen. Dimensionality reduction met PCA en autoencoders. Factor models.
Weken 5-7 -
Fase 3 - Predictive Models: Random forests voor return prediction, LSTM networks voor tijdreeksen, ensemble methods. Feature importance analysis.
Weken 8-11 -
Fase 4 - Reinforcement Learning: Q-learning basics, policy gradient methods, training trading agents. Reward shaping, exploration vs exploitation.
Weken 12-14 -
Fase 5 - Production Pipeline: Backtesting frameworks, performance attribution, risk monitoring dashboards. Deployment overwegingen.
Weken 15-16
Elke week 2 live sessies van 2 uur. Verwachte zelfstudie: 10-12 uur per week voor opdrachten en projectwerk.
Wat maakt deze aanpak anders
Methodologie
- Bouw modellen met daadwerkelijke historische data
- Test scenario's voordat je ze toepast
- Begrijp de beperkingen van elk model
- Werk met realistische voorbeelden uit de financiële sector
Leerformaat
- Kies tussen groepssessies of individuele begeleiding
- Live interactie met instructeurs tijdens oefeningen
- Aangepaste leerpaden op basis van jouw tempo
- Praktijkcases die je direct kunt gebruiken
Hoe modellen je perspectief veranderen
Predictieve modellen geven geen garanties maar helpen je patronen te herkennen. Je leert om data te interpreteren zonder te vergeten dat markten onvoorspelbaar blijven.
De focus ligt op het bouwen van tools die je begrijpt en kunt aanpassen. Elke module behandelt één specifieke techniek met voorbeelden uit echte financiële situaties.