Gépi tanulás és adattudományi tervrajzok a pénzügyekhez: A kereskedési stratégiák építésétől a Python használatával működő robot-tanácsadókig

Olvasói vélemények

A könyv a gépi tanulás és a mesterséges intelligencia pénzügyi alkalmazásainak átfogó forrása, amelyet gyakorlatias megközelítése, a témák széles körű lefedettsége és a kódpéldákkal ellátott hasznos esettanulmányok miatt dicsérnek. Pénzügyi szakemberek és diákok számára egyaránt ajánlott, de egyes kritikák jelentős problémákat vetnek fel az elavult tartalom, a helytelen illusztrációk és a fekete-fehér megjelenítés miatt.

⬤ Az ML/AI pénzügyi alkalmazások átfogó lefedettsége.
⬤ Kézzelfogható, gyakorlatias megközelítés hasznos esettanulmányokkal és kódpéldákkal.
⬤ Kezdők és tapasztalt adattudósok számára egyaránt kiváló.
⬤ Jól strukturált és könnyen követhető.
⬤ A GitHubon elérhető támogató kód növeli a használhatóságot.

⬤ Egyes tartalmak elavultak és kódfrissítést igényelnek.
⬤ Néhány fejezetben hibás illusztrációkat találtunk.
⬤ Néhány olvasó fekete-fehér változatot kapott, ami csökkenti a vizuális anyagok hatékonyságát.
⬤ Néhány magas szintű magyarázat nem elég mélyreható a máshol elérhető információkhoz képest.

(19 olvasói vélemény alapján)

Eredeti címe:

Machine Learning and Data Science Blueprints for Finance: From Building Trading Strategies to Robo-Advisors Using Python

Könyv tartalma:

A következő évtizedekben a gépi tanulás és az adattudomány átalakítja a pénzügyi iparágat. Ebből a gyakorlatias könyvből az elemzők, kereskedők, kutatók és fejlesztők megtanulhatják, hogyan lehet az iparág számára létfontosságú gépi tanulási algoritmusokat létrehozni. Megvizsgálja az ML fogalmakat és több mint 20 esettanulmányt a felügyelt, a felügyelet nélküli és a megerősítő tanulás, valamint a természetes nyelvfeldolgozás (NLP) területén.

Ez a könyv ideális a fedezeti alapoknál, befektetési és lakossági bankoknál, valamint fintech cégeknél dolgozó szakemberek számára, és mélyrehatóan foglalkozik a portfóliókezeléssel, az algoritmikus kereskedéssel, a származtatott termékek árazásával, a csalásfelismeréssel, az eszközárak előrejelzésével, az érzelemelemelemzéssel és a chatbotok fejlesztésével is. Felfedezheti a gyakorlati szakemberek előtt álló valós problémákat, és megismerheti a tudományosan megalapozott, kóddal és példákkal alátámasztott megoldásokat.

Ez a könyv a következőket tartalmazza:

⬤ Felügyelt tanuláson alapuló regresszió alapú modellek kereskedési stratégiákhoz, származtatott termékek árazásához és portfóliókezeléshez.

⬤ Supervised learning osztályozáson alapuló modellek a hitelkockázat előrejelzéséhez, csalások felderítéséhez és kereskedési stratégiákhoz.

⬤ Dimenziócsökkentési technikák esettanulmányokkal a portfóliókezelés, a kereskedési stratégia és a hozamgörbe-konstrukció területén.

⬤ Algoritmusok és klaszterezési technikák hasonló objektumok megtalálására, esettanulmányokkal a kereskedési stratégiák és a portfóliókezelés területén.

⬤ Kereskedési stratégiák, származékos fedezeti ügyletek és portfóliókezelés kialakításához használt megerősítő tanulási modellek és technikák.

⬤ NLP technikák Python könyvtárak, például az NLTK és a scikit-learn használatával a szöveg értelmes reprezentációkká történő átalakítására.