Test znalostí:
Unsupervised Learning
ve financích

Osm otázek pokrývá klíčové koncepty - od shlukování portfolií přes detekci anomálií až po redukci dimenzionality. Každá otázka má jedno správné řešení a vysvětlení po odpovědi.

Otázky 8

Obtížnost Střední

Téma Finance & ML

Vizualizace datových clusterů při analýze finančních trhů

K-means clustering

PCA ve financích

Detekce anomálií

Hierarchická analýza

Autoenkodéry

DBSCAN

Korelační matice

Gaussovy směsi

Výsledek

0/8

Dokončete všechny otázky pro zobrazení výsledku.

Otázka 1 / 8

Jaký je hlavní účel algoritmu K-means při analýze finančních portfolií?

Předpovídání budoucích cen akcií na základě historických dat

Seskupení aktiv s podobnými výnosovými charakteristikami do clusterů pro diverzifikaci

Klasifikace investorů do kategorií podle jejich rizikového profilu

Výpočet optimální alokace aktiv metodou Monte Carlo

Otázka 2 / 8

Co vyjadřuje první hlavní komponenta (PC1) v PCA aplikovaném na výnosy akcií?

Průměrný výnos všech sledovaných akcií za dané období

Akcie s nejvyšší volatilitou v datové sadě

Směr největší variance v datech - obvykle společný tržní faktor ovlivňující většinu akcií

Lineární kombinace akcií s nejnižší vzájemnou korelací

Otázka 3 / 8

Isolation Forest detekuje anomálie ve finančních datech na základě jakého principu?

Anomální transakce jsou izolovány rychleji, protože k jejich oddělení stačí méně náhodných řezů stromem

Algoritmus porovnává každou transakci s průměrem sousedních bodů v gaussovském prostoru

Anomálie jsou identifikovány jako body s nejvyšší vzdáleností od centroidu nejbližšího clusteru

Metoda počítá lokální hustotu dat a označuje body v oblastech s nízkou hustotou

Otázka 4 / 8

Hierarchická aglomerativní analýza finančních trhů - co zobrazuje dendrogram?

Časovou řadu výnosů jednotlivých sektorů seřazenou podle volatility

Matici korelačních koeficientů mezi páry finančních instrumentů

Graf závislosti Sharpe ratio na počtu aktiv v portfoliu

Stromovou strukturu postupného slučování aktiv od nejpodobnějších párů k celkovému shluku

Otázka 5 / 8

Autoenkodér trénovaný na normálních tržních datech - jak slouží k detekci podvodů?

Generuje syntetická data podvodných transakcí pro trénování klasifikátoru

Porovnává každou transakci s databází historicky označených podvodů

Anomální transakce mají vysokou rekonstrukční chybu, protože model se nenaučil jejich vzory

Latentní prostor autoenkodéru přímo kóduje pravděpodobnost podvodu jako skalár

Otázka 6 / 8

Proč je DBSCAN vhodný pro segmentaci klientů finančních institucí oproti K-means?

DBSCAN vždy vytváří přesně tolik clusterů, kolik odpovídá počtu produktových kategorií banky

Nevyžaduje předem specifikovat počet segmentů a přirozeně označí atypické klienty jako šum

Funguje výhradně s kategorickými proměnnými jako typ účtu nebo region pobočky

Minimalizuje výpočetní náročnost díky lineární složitosti vůči počtu klientů

Otázka 7 / 8

Korelační matice výnosů aktiv - co znamená hodnota blízká −1 mezi dvěma instrumenty?

Instrumenty se pohybují téměř vždy v opačném směru - ideální kombinace pro snížení portfoliového rizika

Jeden instrument je zpožděnou kopií druhého s časovým posunem přibližně jednoho obchodního dne

Oba instrumenty patří do stejného sektoru a reagují na totožné makroekonomické faktory

Výnosy jsou statisticky nezávislé a jejich kombinace nemá vliv na celkové riziko portfolia

Otázka 8 / 8

Gaussovy směsi modelů (GMM) ve finančním kontextu - v čem se liší od K-means?

GMM pracuje výhradně s jednorozměrnými distribucemi výnosů, K-means zvládá vícerozměrná data

GMM vyžaduje normalizaci vstupních dat na nulový průměr, K-means tuto podmínku nemá

GMM vždy konverguje k globálnímu optimu, zatímco K-means může uvíznout v lokálním minimu

GMM přiřazuje každý datový bod do clusterů s pravděpodobností, ne tvrdou hranicí - lépe zachycuje překrývající se tržní režimy

Co tento test prověřuje

Otázky pokrývají praktické scénáře - segmentaci portfolií, detekci podvodů, analýzu tržních režimů. Nejde o memorování definic, ale o pochopení toho, kdy a proč konkrétní metodu použít.

Shlukování aktiv

K-means, hierarchická analýza a DBSCAN aplikované na reálná portfolia a klientská data bank.

Redukce dimenzionality

PCA a autoenkodéry jako nástroje pro zpracování vysokodimenzionálních finančních datových sad.

Detekce anomálií

Isolation Forest a rekonstrukční chyba autoenkodérů pro identifikaci podezřelých transakcí.

Pravděpodobnostní modely

Gaussovy směsi pro modelování tržních režimů s měkkou hranicí přiřazení clusterů.

Kurzy a workshopy Fieldearn

Pokud vám test ukázal mezery, nebo naopak potvrdil, že jste připraveni na hlubší práci - máme pro obě situace konkrétní kroky. Workshopy probíhají online, přístupné z celé republiky.

Přejít na kurzy O platformě Kontaktovat nás

témat pokrytých v tomto testu od clusteringu po pravděpodobnostní modely

hlavní oblasti unsupervised learningu s přímou aplikací ve finančním sektoru

2018

rok vzniku platformy - vzdělávání v oblasti ML pro finance od začátku

obsah v češtině, přístupný vzdáleně z jakéhokoli místa v republice

Test znalostí: Unsupervised Learning ve financích