Gépi tanulás algoritmikus kereskedéshez - Második kiadás

Olvasói vélemények

A könyv nagyra értékelt az algoritmikus kereskedésre alkalmazott gépi tanulási technikák átfogó lefedettségéért, részletes példákat és kiegészítő anyagokat kínál. Ugyanakkor kritikával kell szembenéznie az elavult eszközök, a megértés nehézségei és a kódolási kihívások miatt, amelyek akadályozhatják a tanulást.

⬤ Az algoritmikus kereskedésben alkalmazott gépi tanulás átfogó és részletes lefedettsége.
⬤ Számos gyakorlati példát és kiegészítő anyagot tartalmaz, beleértve egy ingyenes PDF-et is.
⬤ A szerző reagál a GitHubon érkező kérdésekre.
⬤ Jó a mély megértéshez és a gyakorlati laboratóriumokhoz.
⬤ Jó referencia kezdőknek és haladóknak egyaránt.

⬤ A könyvben említett elavult eszközök és könyvtárak már nem támogatottak.
⬤ Sok kódpélda nehezen hozzáférhető és hatékonyan használható.
⬤ Néhány olvasó szerint az írásmód feleslegesen bonyolult és nehezen érthető.
⬤ A könyv túlságosan sűrű lehet, így nehezen emészthető.
⬤ A könyv fizikai állapotával kapcsolatos minőségellenőrzési problémákról számoltak be.

(57 olvasói vélemény alapján)

Eredeti címe:

Machine Learning for Algorithmic Trading - Second Edition

Könyv tartalma:

A gépi tanulás kihasználása automatizált kereskedési stratégiák tervezéséhez és teszteléséhez valós piacokon a pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens és pyfolio használatával.

Key Features:

⬤ Tervezzen, képezzen és értékeljen gépi tanulási algoritmusokat, amelyek az automatizált kereskedési stratégiák alapját képezik.

⬤ Kutatási és stratégiafejlesztési folyamat létrehozása a prediktív modellezés kereskedési döntésekhez történő alkalmazásához.

⬤ Hasznosítsa az NLP-t és a mélytanulást a piaci és alternatív adatokból származó kereskedhető jelek kinyerésére.

Könyv leírása:

A digitális adatok robbanásszerű növekedése megnövelte a gépi tanulást (ML) alkalmazó kereskedési stratégiák szakértelme iránti keresletet. Ez az átdolgozott és bővített második kiadás lehetővé teszi, hogy kifinomult felügyelt, felügyelet nélküli és megerősítő tanulási modelleket építsen és értékeljen.

Ez a könyv bemutatja a végponttól végpontig tartó gépi tanulást a kereskedési munkafolyamathoz, az ötlettől és a funkciótervezéstől a modelloptimalizálásig, a stratégia tervezéséig és a backtesztelésig. Mindezt a lineáris modellektől és faalapú együttesektől kezdve a legmodernebb kutatások mélytanulási technikáin át a legmodernebb mélytanulási technikákig terjedő példákkal szemlélteti.

Ez a kiadás megmutatja, hogyan lehet piaci, alapvető és alternatív adatokkal, például tick-adatokkal, percenkénti és napi sávokkal, SEC-jelentésekkel, eredménybeszámolók átirataival, pénzügyi hírekkel vagy műholdképekkel dolgozni, hogy kereskedhető jeleket generáljunk. Bemutatja, hogyan lehet olyan pénzügyi jellemzőket vagy alfatényezőket kialakítani, amelyek lehetővé teszik, hogy egy ML-modell az amerikai és nemzetközi részvények és ETF-ek áradataiból előre jelezze a hozamokat. Azt is bemutatja, hogyan értékelhető az új jellemzők jeltartalma az Alphalens és SHAP értékek segítségével, és tartalmaz egy új függeléket több mint száz alfatényező példával.

A könyv végére jártas lesz az ML-modell előrejelzéseinek napi vagy napon belüli horizonton működő kereskedési stratégiává történő átültetésében és teljesítményének értékelésében.

Mit fog tanulni:

⬤ Piaci, fundamentális és alternatív szöveges és képi adatok felhasználása.

⬤ Kutatni és értékelni az alfa faktorokat statisztikák, Alphalens és SHAP értékek segítségével.

⬤ Masinatanulási technikák alkalmazása befektetési és kereskedési problémák megoldására.

⬤ Backtesztelje és értékelje a gépi tanuláson alapuló kereskedési stratégiákat Zipline és Backtrader használatával.

⬤ A portfólió kockázat- és teljesítményelemzés optimalizálása a pandas, a NumPy és a pyfolio használatával.

⬤ Készítsen kointegráción alapuló párkereskedési stratégiát az amerikai részvényekre és ETF-ekre.

⬤ Tréning egy gradiens boosting modell, amely az AlgoSeek kiváló minőségű kereskedési és jegyzési adatainak felhasználásával előrejelzi a napközbeni hozamokat.

Kinek szól ez a könyv:

Ha Ön adatelemző, adattudós, Python-fejlesztő, befektetési elemző vagy portfóliómenedzser, aki gyakorlati gépi tanulási ismereteket szeretne szerezni a kereskedéshez, akkor ez a könyv Önnek szól. Ez a könyv neked szól, ha meg akarod tanulni, hogyan lehet a gépi tanulás segítségével sokféle adatforrásból értéket kinyerni a saját szisztematikus kereskedési stratégiáid megtervezéséhez.

A Python és a gépi tanulási technikák némi ismerete szükséges.