Machine Learning and Data Science Blueprints for Finance: De la crearea de strategii de tranzacționare la robo-consilieri folosind Python

Recenzii ale cititorilor

Cartea este o resursă cuprinzătoare privind învățarea automată și aplicațiile IA în finanțe, lăudată pentru abordarea sa practică, acoperirea extinsă a subiectelor și studiile de caz utile cu exemple de cod. Cartea este recomandată atât profesioniștilor din domeniul finanțelor, cât și studenților, însă unele critici semnalează probleme semnificative legate de conținutul învechit, ilustrațiile incorecte și prezentarea în alb și negru.

⬤ Acoperire cuprinzătoare a aplicațiilor ML/AI în finanțe.
⬤ Abordare practică, hands-on, cu studii de caz utile și exemple de cod.
⬤ Excelentă atât pentru începători, cât și pentru cercetătorii de date cu experiență.
⬤ Bine structurat și ușor de urmărit.
⬤ Codul suport disponibil pe GitHub îmbunătățește utilitatea.

⬤ O parte din conținut este învechit și necesită actualizări ale codului.
⬤ Ilustrații incorecte observate în unele capitole.
⬤ Unii cititori au primit o versiune alb-negru, ceea ce diminuează eficiența materialelor vizuale.
⬤ Unele explicații la nivel înalt nu au profunzime, în comparație cu informațiile disponibile în altă parte.

(pe baza a 19 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

În următoarele câteva decenii, învățarea automată și știința datelor vor transforma industria financiară. Cu această carte practică, analiștii, comercianții, cercetătorii și dezvoltatorii vor învăța cum să construiască algoritmi de învățare automată cruciali pentru industrie. Veți examina concepte de ML și peste 20 de studii de caz în învățarea supravegheată, nesupravegheată și prin consolidare, împreună cu procesarea limbajului natural (NLP).

Ideală pentru profesioniștii care lucrează la fonduri speculative, bănci de investiții și de retail și firme fintech, această carte aprofundează, de asemenea, gestionarea portofoliului, tranzacționarea algoritmică, stabilirea prețurilor instrumentelor derivate, detectarea fraudelor, predicția prețurilor activelor, analiza sentimentelor și dezvoltarea chatbot-urilor. Veți explora problemele reale cu care se confruntă practicienii și veți învăța soluții științifice solide, susținute de cod și exemple.

Această carte acoperă:

⬤ Modele bazate pe regresie de învățare supervizată pentru strategii de tranzacționare, stabilirea prețurilor instrumentelor derivate și gestionarea portofoliului.

⬤ Modele bazate pe clasificare prin învățare supervizată pentru predicția riscului de nerambursare a creditelor, detectarea fraudelor și strategii de tranzacționare.

⬤ Tehnicile de reducere a dimensionalității cu studii de caz în gestionarea portofoliului, strategia de tranzacționare și construcția curbei randamentelor.

⬤ Algoritmi și tehnici de grupare pentru găsirea obiectelor similare, cu studii de caz în domeniul strategiilor de tranzacționare și al gestionării portofoliilor.

⬤  Modele și tehnici de învățare prin consolidare utilizate pentru construirea strategiilor de tranzacționare, acoperirea instrumentelor derivate și gestionarea portofoliului.

⬤ Tehnicile NLP care utilizează biblioteci Python precum NLTK și scikit-learn pentru transformarea textului în reprezentări semnificative.