Kézzel fogható gépi tanulás algoritmikus kereskedéshez

Olvasói vélemények

Az algoritmikus kereskedésről szóló könyvet általában véve jóra értékelik, különösen azok számára, akiknek Python és gépi tanulással kapcsolatos hátterük van. Bár számos releváns témát átfogóan tárgyal, néhány hiányzó fejezet, kódhiba és a gépi tanulás kereskedésre való alkalmazására vonatkozó közvetlen útmutatás hiánya miatt szenved. E problémák ellenére sok olvasó értékeli a szerző által nyújtott gyakorlati betekintést.

A könyv jól strukturált és logikusan felépített, átfogóan tárgyalja a gépi tanulás fogalmait az algoritmikus kereskedés kontextusában. A könyv gyakorlati példákat és egy GitHub-tárat is tartalmaz a frissített kódokhoz, ami a szerző szakértelmét mutatja a területen. Sok olvasó hasznosnak találta az elmélet elsajátításához és a gyakorlati alkalmazásokba való integrálásához.

A könyvhöz Python és gépi tanulással kapcsolatos előzetes ismeretekre van szükség, és néhány olvasó hiányzó fejezetekről és hibákat eredményező elavult kódról számolt be. Emellett inkább áttekintésnek, mint mélyen oktató jellegű szövegnek tekintik, ami nem biztos, hogy megfelel a teljesen kezdők igényeinek. Néhány illusztráció, például a grafikonok, a színek hiánya miatt olvashatósági problémákkal küszködik.

(21 olvasói vélemény alapján)

Eredeti címe:

Hands-On Machine Learning for Algorithmic Trading

Könyv tartalma:

Fedezze fel a hatékony kereskedési stratégiákat valós piacokon a NumPy, spaCy, pandas, scikit-learn és Keras segítségével

Key Features:

⬤ Gépi tanulási algoritmusok implementálása algoritmikus modellek építéséhez, képzéséhez és validálásához.

⬤ Létrehozza saját algoritmikus tervezési folyamatát, hogy valószínűségi gépi tanulási megközelítéseket alkalmazzon a kereskedési döntésekhez.

⬤ Neurális hálózatok fejlesztése algoritmikus kereskedéshez idősoros előrejelzés és intelligens analitika elvégzéséhez.

Könyv leírása:

A digitális adatok robbanásszerű növekedése megnövelte a gépi tanulást (ML) alkalmazó kereskedési stratégiák szakértelme iránti keresletet. Ez a könyv lehetővé teszi, hogy a felügyelt és nem felügyelt algoritmusok széles skáláját használhassa a legkülönbözőbb adatforrásokból származó jelek kinyerésére és hatékony befektetési stratégiák létrehozására.

Ez a könyv bemutatja, hogyan lehet hozzáférni a piaci, fundamentális és alternatív adatokhoz API vagy webes adatgyűjtés segítségével, és keretet kínál az alternatív adatok értékeléséhez. Gyakorolni fogja az ML workflow-t a modelltervezéstől, a veszteségmetrika meghatározásától és a paraméterek hangolásától a teljesítményértékelésig idősoros kontextusban. Meg fogja érteni az olyan ML-algoritmusokat, mint a Bayes- és az ensemble-módszerek, valamint a manifold learning, és tudni fogja, hogyan kell ezeket a modelleket a pandas, a statsmodels, a sklearn, a PyMC3, az xgboost, a lightgbm és a catboost segítségével képezni és hangolni. Ez a könyv megtanítja továbbá, hogyan vonjon ki jellemzőket szöveges adatokból a spaCy segítségével, hogyan osztályozza a híreket és rendeljen hozzájuk sentiment pontszámokat, valamint hogyan használjon gensim-et a témák modellezésére és a szóbeágyazások tanulására pénzügyi jelentésekből. Emellett neurális hálózatokat, köztük RNN-eket és CNN-eket építhet és értékelhet a Keras és a PyTorch segítségével, hogy a strukturálatlan adatokat kifinomult stratégiákhoz hasznosíthassa.

Végül transzfer tanulást fogsz alkalmazni műholdképekre a gazdasági tevékenység előrejelzésére, és megerősítő tanulást fogsz alkalmazni olyan ágensek létrehozására, amelyek megtanulnak kereskedni az OpenAI Gymben.

Mit fogsz tanulni:

⬤ Masinatanulási technikák alkalmazása befektetési és kereskedési problémák megoldására.

⬤ Piaci, fundamentális és alternatív adatok felhasználása az alfatényezők kutatásához.

⬤ Tervezzen és finomhangoljon felügyelt, felügyelet nélküli és megerősített tanulási modelleket.

⬤ A portfólió kockázatának és teljesítményének optimalizálása pandas, NumPy és scikit-learn használatával.

⬤ Gépi tanulási modellek integrálása élő kereskedési stratégiába a Quantopianon.

⬤ A stratégiák értékelése megbízható idősoros backtesting-módszerek segítségével.

⬤ Mély neurális hálózatok tervezése és értékelése a Keras, PyTorch és TensorFlow használatával.

⬤ Munkálkodjon megerősített tanulással kereskedési stratégiákhoz az OpenAI Gymben.

Kinek szól ez a könyv:

A Hands-On Machine Learning for Algorithmic Trading adatelemzőknek, adattudósoknak és Python-fejlesztőknek, valamint a pénzügyi és befektetési iparágban dolgozó befektetési elemzőknek és portfóliómenedzsereknek szól. Ha hatékony algoritmikus kereskedést szeretne végezni, intelligens vizsgálati stratégiák kifejlesztésével, gépi tanulási algoritmusok felhasználásával, akkor ez a könyv az Ön számára készült. A Python és a gépi tanulási technikák némi ismerete kötelező.