Mastering Python for Finance - Második kiadás: Fejlett, korszerű pénzügyi statisztikai alkalmazások megvalósítása Python használatával

Olvasói vélemények

A könyv bevezetés a pénzügyi számítástechnikába, amely fontos pénzügyi fogalmakkal és matematikával foglalkozik, de számos hátránya is van, beleértve az elavult adatforrásokat, a gyenge kódolási példákat és a nem megfelelő gyakorlati alkalmazási támogatást. Vegyes kritikákat kapott, egyesek dicsérik a mennyiségi pénzügyekhez való érthetőségét és megközelítését, míg mások kritizálják, hogy nem elég mély, és nem nyújt gyakorlati eszközöket.

⬤ Jól megírt és könnyen követhető
⬤ Fontos numerikus módszereket és fejlett matematikai módszereket tárgyal Pythonban
⬤ Útmutatást nyújt az algoritmikus kereskedési stratégiák felépítéséhez és backteszteléséhez
⬤ Hasznos a kvantitatív pénzügyekkel foglalkozó szakemberek számára.

⬤ Elavult adatforrások és a hasznos adatok fizetős előfizetésekre támaszkodnak
⬤ Hiányoznak a részletes programozási példák és a gyakorlati alkalmazások támogatása
⬤ A recenzensek által említett néhány koncepcionális hiba
⬤ Nem eléggé kezdőbarát
⬤ Hiányoznak a fontos szakaszok és az adatbázisok kódolási támogatása.

(8 olvasói vélemény alapján)

Eredeti címe:

Mastering Python for Finance - Second Edition: Implement advanced state-of-the-art financial statistical applications using Python

Könyv tartalma:

Emelje pénzügyi ismereteit a következő szintre a legmodernebb matematikai és statisztikai pénzügyi alkalmazások elsajátításával

Főbb jellemzők

⬤ Tudja meg az iparág által használt fejlett pénzügyi modelleket és azok megoldási módjait Python segítségével.

⬤ Építsen korszerű infrastruktúrát a modellezéshez, vizualizációhoz, kereskedéshez és sok máshoz.

⬤ Elősítse pénzügyi alkalmazásait a gépi tanulás és a mélytanulás alkalmazásával.

Könyv leírása

A Mastering Python for Finance második kiadása végigvezeti Önt a pénzügyi iparágban gyakorolt összetett pénzügyi számítások elvégzésén a következő generációs módszerek alkalmazásával. A Python-ökoszisztémát a nyilvánosan elérhető eszközök felhasználásával sajátíthatja el, hogy sikeresen végezzen kutatási tanulmányokat és modellezéseket, és fejlett példák segítségével megtanulja kezelni a kockázatokat.

A Jupyter notebook beállításával kezded a könyvben szereplő feladatok végrehajtásához. Megtanulja, hogyan hozzon hatékony és erőteljes adatvezérelt pénzügyi döntéseket olyan népszerű könyvtárak használatával, mint a TensorFlow, Keras, Numpy, SciPy és sklearn. Megtanulja továbbá, hogyan építhet pénzügyi alkalmazásokat olyan fogalmak elsajátításával, mint a részvények, az opciók, a kamatlábak és származékaik, valamint a kockázatelemzés számítási módszerek segítségével. Ezekkel az alapokkal megtanulja alkalmazni a statisztikai elemzést idősoros adatokra, és megérti, hogy az idősoros adatok hogyan hasznosak egy eseményvezérelt backtesting rendszer megvalósításához és a nagyfrekvenciás adatokkal való munkához egy algoritmikus kereskedési platform építése során. Végezetül pedig a pénzügyekben alkalmazott gépi tanulás és mélytanulási technikákat fog felfedezni.

A könyv végére képes lesz arra, hogy a Pythont a pénzügyi iparág különböző paradigmáiban alkalmazza, és hatékony adatelemzést végezzen.

Amit tanulni fog

⬤ Megoldja a különböző pénzügyi problémákat reprezentáló lineáris és nemlineáris modelleket.

⬤ Fő komponenselemzést végezhet a DOW indexen és annak komponensein.

⬤ Stacionárius és nem stacionárius idősorfolyamatok elemzése, előrejelzése és előrejelzése.

⬤ Hozzon létre egy eseményvezérelt backtesting eszközt, és mérje meg stratégiáit.

⬤ Építsen nagyfrekvenciás algoritmikus kereskedési platformot Python segítségével.

⬤ Replikálja a CBOT VIX indexet SPX opciókkal a VIX-alapú stratégiák tanulmányozásához.

⬤ Végezzen regresszió alapú és osztályozás alapú gépi tanulási feladatokat előrejelzéshez.

⬤ A TensorFlow és a Keras használata mélytanulási neurális hálózati architektúrában.