Învățarea automată practică pentru tranzacționarea algoritmică

Recenzii ale cititorilor

Cartea privind tranzacționarea algoritmică este, în general, bine apreciată, în special pentru cei care au cunoștințe de Python și învățare automată. Deși acoperă multe subiecte relevante în mod cuprinzător, aceasta suferă de unele capitole lipsă, erori de cod și o lipsă de instrucțiuni directe în aplicarea învățării automate la tranzacționare. În ciuda acestor probleme, mulți cititori apreciază perspectivele practice oferite de autor.

Cartea este bine structurată și organizată logic, oferind o acoperire cuprinzătoare a conceptelor de învățare automată în contextul tranzacționării algoritmice. Ea include exemple practice și un depozit GitHub pentru codul actualizat, demonstrând expertiza autorului în domeniu. Mulți cititori au considerat-o utilă pentru învățarea și integrarea teoriei cu aplicațiile practice.

Cartea necesită cunoștințe prealabile de Python și învățare automată, iar unii cititori au raportat capitole lipsă și cod neactualizat care au dus la erori. În plus, este văzută mai mult ca o prezentare generală decât ca un text profund instructiv, care poate să nu răspundă nevoilor începătorilor compleți. Unele ilustrații, cum ar fi graficele, au probleme de lizibilitate din cauza lipsei de culoare.

(pe baza a 21 recenzii ale cititorilor)

Titlul original:

Hands-On Machine Learning for Algorithmic Trading

Conținutul cărții:

Explorați strategii de tranzacționare eficiente pe piețele lumii reale folosind NumPy, spaCy, pandas, scikit-learn și Keras

Caracteristici cheie:

⬤ Implementați algoritmi de învățare automată pentru a construi, antrena și valida modele algoritmice.

⬤ Creați propriul proces de proiectare algoritmică pentru a aplica abordări probabilistice de învățare automată la deciziile de tranzacționare.

⬤ Dezvoltați rețele neuronale pentru tranzacționarea algoritmică pentru a efectua previziuni ale seriilor de timp și analize inteligente.

Descrierea cărții:

Creșterea explozivă a datelor digitale a stimulat cererea de expertiză în strategii de tranzacționare care utilizează machine learning (ML). Această carte vă permite să utilizați o gamă largă de algoritmi supravegheați și nesupravegheați pentru a extrage semnale dintr-o mare varietate de surse de date și a crea strategii de investiții puternice.

Această carte arată cum să accesați date de piață, fundamentale și alternative prin API sau web scraping și oferă un cadru pentru evaluarea datelor alternative. Veți exersa workflow-ul ML de la proiectarea modelului, definirea metricilor de pierdere și reglarea parametrilor până la evaluarea performanței în contextul seriilor de timp. Veți înțelege algoritmii ML, cum ar fi metodele bayesiene și de ansamblu și manifold learning, și veți ști cum să antrenați și să reglați aceste modele utilizând pandas, statsmodels, sklearn, PyMC3, xgboost, lightgbm și catboost. Această carte vă învață, de asemenea, cum să extrageți caracteristici din date text utilizând spaCy, să clasificați știri și să atribuiți scoruri de sentiment și să utilizați gensim pentru a modela subiecte și a învăța încorporări de cuvinte din rapoarte financiare. De asemenea, veți construi și evalua rețele neuronale, inclusiv RNN-uri și CNN-uri, utilizând Keras și PyTorch pentru a exploata date nestructurate pentru strategii sofisticate.

În cele din urmă, veți aplica învățarea prin transfer la imagini din satelit pentru a prezice activitatea economică și veți utiliza învățarea prin consolidare pentru a construi agenți care învață să tranzacționeze în OpenAI Gym.

Ce veți învăța:

⬤ Implementați tehnici de învățare automată pentru a rezolva probleme de investiții și tranzacționare.

⬤ Utilizați date de piață, fundamentale și alternative pentru a cerceta factorii alfa.

⬤ Proiectarea și ajustarea modelelor de învățare supravegheate, nesupravegheate și de întărire.

⬤ Optimizați riscul și performanța portofoliului utilizând pandas, NumPy și scikit-learn.

⬤ Integrarea modelelor de învățare automată într-o strategie de tranzacționare live pe Quantopian.

⬤ Evaluați strategiile utilizând metodologii fiabile de backtesting pentru seriile temporale.

⬤ Design and evaluate deep neural networks using Keras, PyTorch, and TensorFlow.

⬤ Lucrați cu învățarea prin consolidare pentru strategiile de tranzacționare în OpenAI Gym.

Pentru cine este această carte:

Hands-On Machine Learning for Algorithmic Trading este destinată analiștilor de date, cercetătorilor de date și dezvoltatorilor Python, precum și analiștilor de investiții și managerilor de portofoliu care lucrează în industria financiară și de investiții. Dacă doriți să efectuați tranzacții algoritmice eficiente prin dezvoltarea de strategii inteligente de investigare folosind algoritmi de învățare automată, aceasta este cartea pentru dvs. O anumită înțelegere a Python și a tehnicilor de învățare automată este obligatorie.