Kwantitatieve methoden voor portfoliobeheer
Sinds 2019 helpen we mensen machine learning toepassen op beleggingsportefeuilles. Geen magische formules, gewoon werkbare technieken die je kunt uitvoeren.
Hoe we begonnen zijn
We startten in 2019 met een eenvoudige vraag: kunnen we mensen leren hoe ze machine learning echt gebruiken voor portfolio-optimalisatie? Niet alleen de theorie, maar de concrete implementatie.
De meeste cursussen leerden formules en modellen, maar lieten deelnemers achter wanneer het tijd was om code te schrijven of data te verzamelen. Dat frustreerde ons. We wilden iets anders opbouwen.
Onze aanpak richt zich op het volledige proces: van het voorbereiden van financiële datasets tot het valideren van voorspellingen. We werken met echte marktdata en behandelen problemen zoals missing values, outliers en regime shifts die je altijd tegenkomt.
Wat we opbouwen is geen snelcursus. Het vergt inspanning en tijd om deze vaardigheden te ontwikkelen. Maar als je het doorloopt, kun je daadwerkelijk modellen draaien die je kunt testen.
Onze werkwijze
We richten ons op drie gebieden die je nodig hebt om machine learning toe te passen op portfolio-optimalisatie.
Data preparation
Je leert financiële tijdreeksen voorbereiden: normalisatie, feature engineering, het omgaan met missing data en het splitsen van train/test sets op een manier die lookahead bias voorkomt.
Model implementatie
We behandelen regressie, classificatie en reinforcement learning modellen voor asset allocation. Je schrijft code, test hyperparameters en vergelijkt uitkomsten met baseline strategieën.
Backtesting en validatie
Het valideren van modellen met walk-forward analyse, het berekenen van Sharpe ratio's en drawdowns, en het identificeren van overfitting voordat je live gaat.
Wie geeft de cursussen
Onze instructeurs hebben ervaring met kwantitatieve analyse en portfolio management. Ze werken met dezelfde tools en datasets die je in de cursus gebruikt, dus de instructie komt uit praktische toepassing.
Leendert Vogels
Lead instructeur kwantitatieve methoden
Leendert bouwde zijn eerste trading algoritme in 2011 voor een boutique asset manager in Amsterdam. Sindsdien heeft hij gewerkt met verschillende machine learning frameworks voor return forecasting en risk modeling.
Hij gebruikt voornamelijk Python met scikit-learn, TensorFlow en PyPortfolioOpt voor zijn implementaties. In onze cursussen legt hij uit hoe hij datasets structureert, modellen evalueert en backtests opzet.
Zijn aanpak is hands-on. Je krijgt code voorbeelden die je kunt aanpassen en uitvoeren op je eigen machine. Hij legt ook uit wanneer bepaalde modellen niet geschikt zijn, wat net zo belangrijk is als weten wanneer ze wel werken.
Waar we naar streven
Deze principes sturen hoe we cursussen opbouwen en hoe we mensen begeleiden tijdens het leerproces.
Transparantie over limieten
Machine learning is geen wondermiddel voor portfolio management. Modellen kunnen onderpresteren, data kan beperkt zijn, en marktregimes veranderen. We tonen je zowel wat werkt als wat misgaat.
Reproduceerbare resultaten
Alle cursusmateriaal bevat code die je kunt uitvoeren met open datasets. We vermijden black-box benaderingen en leggen uit waarom specifieke parameters gekozen worden.
Praktische focus
Elke module eindigt met een implementatie-opdracht. Je schrijft code, test modellen en analyseert output. Theorie ondersteunt de praktijk, niet andersom.
Voortdurende updates
Financiële markten en ML libraries evolueren. We updaten cursusmateriaal regelmatig met nieuwe technieken, maar behouden de fundamentele aanpak die blijft werken.
Wat je kunt verwachten
Als je overweegt om deel te nemen, is het nuttig te weten wat dit werkelijk inhoudt. De cursussen zijn opgebouwd rond concrete vaardigheden: data cleaning, feature selection, model training en performance evaluatie.
Je werkt met Jupyter notebooks en Python scripts. We gebruiken pandas voor data manipulation, scikit-learn voor veel modellen, en specifieke libraries zoals cvxpy voor optimalisatieproblemen. De datasets komen uit Yahoo Finance en Quandl, zodat je de processen kunt reproduceren.
Het tempo is realistisch. Sommige modules vergen meer tijd dan andere, afhankelijk van je achtergrond in programmeren en financiën. We geven geen garanties over rendement of jobkansen, maar wel over wat je aan vaardigheden opbouwt.
Na afloop kun je een portfolio optimalisatie pipeline opzetten, backtests draaien en resultaten interpreteren. Dat is de concrete uitkomst waar we naartoe werken.
