Automatisering
vraagt om diepgang
Beleggingsbeslissingen op basis van algoritmen zijn niet nieuw. Maar de meeste cursussen behandelen de oppervlakte - modellen zonder context, code zonder strategie. Dinnerlik is opgericht om dat gat te dichten: grondige masterclasses die theorie en praktijk verbinden voor wie serieus wil werken met ML in financiële toepassingen.
Wat ons drijft
Principes die elke keuze sturen
Financiële markten zijn complex en veranderlijk. ML-modellen die vandaag werken, falen morgen zonder begrip van de onderliggende dynamiek. Daarom bouwen we cursussen die verder gaan dan syntaxis - ze leggen uit waarom een model gedraagt zoals het doet, en wat er mis kan gaan.
Technische nauwkeurigheid
Elke uitleg is gecontroleerd op correctheid. We vermijden vereenvoudigingen die later tot fouten leiden in echte implementaties.
Reproduceerbare methodes
Alle voorbeelden zijn volledig uitgewerkt met echte datasets. Deelnemers kunnen elke stap zelf herhalen en aanpassen aan hun eigen context.
Eerlijk over beperkingen
ML in beleggingen heeft reële risico's en beperkingen. We bespreken overfitting, datalekkage en marktregimes zonder deze te minimaliseren.
Toegankelijk voor iedereen
Geografische locatie mag geen drempel zijn. Het platform werkt asynchroon, zodat deelnemers vanuit elke tijdzone op hun eigen tempo kunnen leren.
Praktisch toepasbaar
Theorie zonder implementatie is onvolledig. Elke masterclass sluit af met een werkend voorbeeld dat deelnemers direct kunnen integreren in hun eigen workflow.
Het team achter de inhoud
Mensen met vakkennis en praktijkervaring
Geen generieke instructeurs. Elk teamlid heeft gewerkt met de systemen en datasets die ze onderwijzen - in kwantitatieve fondsen, technologiebedrijven of academisch onderzoek.
Pieter Vandenbroucke
Hoofddocent Machine Learning
Werkte acht jaar als kwantitatief onderzoeker bij een Brusselse vermogensbeheerder. Specialiseert in tijdreeksmodellen en ensemble-methoden voor financiële voorspelling.
Sofie Raemaekers
Kwantitatief Analist
Achtergrond in toegepaste wiskunde, met focus op statistische arbitrage en factormodellen. Ontwikkelde backtestframeworks die momenteel door drie Europese fondsen worden gebruikt.
Luc Devroye
Portfoliostrategie
Verbindt ML-output aan concrete allocatiebeslissingen. Zijn modules behandelen hoe modelsignalen vertaald worden naar posities, rekening houdend met transactiekosten en liquiditeit.
Hanne Verstraete
Data-engineer
Verantwoordelijk voor de datapijplijnen in de cursusomgeving. Behandelt onderwerpen als datakwaliteit, feature engineering en het omgaan met ontbrekende marktdata in productiesystemen.
Bart Willems
Risicobeheer
Gespecialiseerd in drawdownanalyse en staartrisico bij algoritmische strategieën. Zijn module over stresstest en scenarioanalyse is een van de meest geconsulteerde onderdelen van het platform.
Hoe een masterclass is opgebouwd
Van concept naar werkende implementatie
Elke module volgt dezelfde volgorde - niet uit gewoonte, maar omdat die volgorde werkt.
Probleemstelling definiëren
Welk financieel vraagstuk lost dit model op? We beginnen altijd bij de economische logica, niet bij de techniek.
Data verkennen
Bronnen, kwaliteit, frequentie en bekende valkuilen worden besproken voordat er ook maar één model wordt getraind.
Model bouwen en testen
Stap-voor-stap implementatie in Python, met aandacht voor validatiestrategie en veelgemaakte fouten bij financiële data.
Evaluatie en grenzen
Wat zeggen de resultaten werkelijk? We bespreken wat het model kan en - minstens even belangrijk - wat het niet kan.
Elke cursus is asynchroon beschikbaar. Deelnemers bepalen zelf het tempo en kunnen modules herhalen wanneer ze een concept opnieuw willen doorlopen bij een concrete toepassing.
Geen vereiste voorkennis in beleggen
De masterclasses veronderstellen basiskennis van Python en statistiek. Financiële achtergrond helpt, maar is geen vereiste - de economische context wordt telkens opgebouwd vanuit eerste principes, zodat ook ingenieurs en datawetenschappers zonder beleggingservaring volledig kunnen volgen.