Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум [Стефан Янсен]
140₽
Описание
Книга предназначена для аналитиков и исследователей данных и программистов на языке Python, а также инвестиционных аналитиков и менеджеров, работающих в финансо-инвестиционной индустрии. Если вы хотите реализовать эффективную алгоритмическую торговлю, разрабатывая интеллектуальные разведывающие стратегии с использованием автоматически обучающихся алгоритмов, то настоящая книга — именно то, что вам нужно!
Наличие и доступность разнообразных данных повысила спрос на компетенции в области стратегий алгоритмической торговли. Благодаря этой книге вы освоите машинное обучение (МО), научитесь его применять к широкому спектру источников данных и создавать мощные алгоритмические стратегии.
Книга начинается с основ МО, таких как оценивание наборов данных, доступ к данным через API с помощью языка Python, использование платформы Quandl для доступа к финансовым данным и управление ошибками предсказания. Далее рассмотрены различные технические решения МО и автоматически обучающиеся алгоритмы, которые могут использоваться для построения и тренировки алгоритмических моделей с помощью программных Python-библиотек pandas, Seaborn, StatsModels и sklearn. Описана постройка, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Показано, как применять байесовы понятия “априорное распределение”, “наблюдение” и “апостериорное распределение” для того, чтобы различать понятие неопределенности с помощью библиотеки PyMC3; как использовать библиотеки NLTK, sklearn (Scikit-learn) и spaCy для назначения сентиментных отметок финансовым новостям и классифицирования документов для извлечения торговых сигналов; как конструировать, строить, настраивать и оценивать нейронные сети прямого распространения, рекуррентные нейронные сети (RNN-сети) и сверточные нейронные сети (CNN-сети), используя библиотеку Keras для разработки изощренных алгоритмов; как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности; как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.
Вы научитесь:
– Реализовывать технические методы машинного обучения для решения инвестиционных и торговых задач
– Использовать рыночные, фундаментальные и альтернативные данные с целью исследования альфа-факторов
– Конструировать и тонко настраивать автоматически обучающиеся контролируемые, неконтролируемые и подкрепляемые модели
– Оптимизировать портфельный риск и результативность с помощью библиотек pandas, NumPy и scikit-learn
– Интегрировать автоматически обучающиеся модели в живую торговую стратегию на платформе Quantopian
– Оценивать стратегии с использованием надежных методологий тестирования временных рядов
– Конструировать и оценивать глубоко обучающиеся нейронные сети с помощью библиотек Keras, PyTorch и TensorFlow
– Работать с подкрепляемым обучением для торговых стратегий на платформе OpenAI Gym
Книга предназначена для аналитиков и исследователей данных и программистов на языке Python, а также инвестиционных аналитиков и менеджеров, работающих в финансо-инвестиционной индустрии. Если вы хотите реализовать эффективную алгоритмическую торговлю, разрабатывая интеллектуальные разведывающие стратегии с использованием автоматически обучающихся алгоритмов, то настоящая книга — именно то, что вам нужно!
Наличие и доступность разнообразных данных повысила спрос на компетенции в области стратегий алгоритмической торговли. Благодаря этой книге вы освоите машинное обучение (МО), научитесь его применять к широкому спектру источников данных и создавать мощные алгоритмические стратегии.
Книга начинается с основ МО, таких как оценивание наборов данных, доступ к данным через API с помощью языка Python, использование платформы Quandl для доступа к финансовым данным и управление ошибками предсказания. Далее рассмотрены различные технические решения МО и автоматически обучающиеся алгоритмы, которые могут использоваться для построения и тренировки алгоритмических моделей с помощью программных Python-библиотек pandas, Seaborn, StatsModels и sklearn. Описана постройка, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Показано, как применять байесовы понятия “априорное распределение”, “наблюдение” и “апостериорное распределение” для того, чтобы различать понятие неопределенности с помощью библиотеки PyMC3; как использовать библиотеки NLTK, sklearn (Scikit-learn) и spaCy для назначения сентиментных отметок финансовым новостям и классифицирования документов для извлечения торговых сигналов; как конструировать, строить, настраивать и оценивать нейронные сети прямого распространения, рекуррентные нейронные сети (RNN-сети) и сверточные нейронные сети (CNN-сети), используя библиотеку Keras для разработки изощренных алгоритмов; как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности; как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.
Вы научитесь:
– Реализовывать технические методы машинного обучения для решения инвестиционных и торговых задач
– Использовать рыночные, фундаментальные и альтернативные данные с целью исследования альфа-факторов
– Конструировать и тонко настраивать автоматически обучающиеся контролируемые, неконтролируемые и подкрепляемые модели
– Оптимизировать портфельный риск и результативность с помощью библиотек pandas, NumPy и scikit-learn
– Интегрировать автоматически обучающиеся модели в живую торговую стратегию на платформе Quantopian
– Оценивать стратегии с использованием надежных методологий тестирования временных рядов
– Конструировать и оценивать глубоко обучающиеся нейронные сети с помощью библиотек Keras, PyTorch и TensorFlow
– Работать с подкрепляемым обучением для торговых стратегий на платформе OpenAI Gym