Machine Learning for Algorithmic Trading - Ediția a doua

Recenzii ale cititorilor

Cartea este apreciată pentru acoperirea cuprinzătoare a tehnicilor de învățare automată aplicate la tranzacționarea algoritmică, oferind exemple detaliate și materiale suplimentare. Cu toate acestea, se confruntă cu critici pentru instrumente învechite, dificultăți de înțelegere și provocări de codificare care pot împiedica experiența de învățare.

⬤ Acoperire cuprinzătoare și detaliată a învățării automate pentru tranzacționarea algoritmică.
⬤ Conține multe exemple practice și materiale suplimentare, inclusiv un PDF gratuit.
⬤ Autorul răspunde solicitărilor pe GitHub.
⬤ Bun pentru înțelegere profundă și laboratoare practice.
⬤ O referință bună atât pentru începători, cât și pentru utilizatorii avansați.

⬤ Instrumentele și bibliotecile învechite menționate în carte nu mai sunt suportate.
⬤ Multe exemple de cod sunt dificil de accesat și de utilizat eficient.
⬤ Unii cititori consideră stilul de scriere inutil de complex și greu de înțeles.
⬤ Cartea ar putea fi prea densă, făcând-o greu de digerat.
⬤ Au fost raportate probleme de control al calității legate de starea fizică a cărții.

(pe baza a 57 recenzii ale cititorilor)

Titlul original:

Machine Learning for Algorithmic Trading - Second Edition

Conținutul cărții:

Profitați de învățarea automată pentru a proiecta și testa strategiile de tranzacționare automată pentru piețele din lumea reală utilizând pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens și pyfolio.

Caracteristici principale:

⬤ Proiectați, antrenați și evaluați algoritmi de învățare automată care stau la baza strategiilor de tranzacționare automată.

⬤ Crearea unui proces de cercetare și dezvoltare a strategiei pentru a aplica modelarea predictivă la deciziile de tranzacționare.

⬤ Utilizați NLP și învățarea profundă pentru a extrage semnale tranzacționabile din piață și date alternative.

Descrierea cărții:

Creșterea explozivă a datelor digitale a stimulat cererea de expertiză în strategii de tranzacționare care utilizează machine learning (ML). Această a doua ediție revizuită și extinsă vă permite să construiți și să evaluați modele sofisticate de învățare supravegheată, nesupravegheată și de întărire.

Această carte prezintă învățarea automată end-to-end pentru fluxul de tranzacționare, de la idee și ingineria caracteristicilor la optimizarea modelului, proiectarea strategiei și backtesting. Ea ilustrează acest lucru prin utilizarea de exemple care variază de la modele liniare și ansambluri bazate pe arbori la tehnici de învățare profundă din cercetarea de vârf.

Această ediție arată cum să lucrați cu date de piață, fundamentale și alternative, cum ar fi date de tip tick, bare zilnice și la minut, fișiere SEC, transcrieri ale apelurilor privind câștigurile, știri financiare sau imagini din satelit pentru a genera semnale tranzacționabile. Acesta ilustrează modul de concepere a caracteristicilor financiare sau a factorilor alfa care permit unui model ML să prezică randamentele din datele de preț pentru acțiunile și ETF-urile americane și internaționale. De asemenea, arată cum să evaluați conținutul de semnal al noilor caracteristici utilizând valorile Alphalens și SHAP și include o nouă anexă cu peste o sută de exemple de factori alfa.

Până la final, veți fi competenți în transpunerea predicțiilor modelului ML într-o strategie de tranzacționare care funcționează la orizonturi zilnice sau intrazilnice și în evaluarea performanței acesteia.

Ce veți învăța:

⬤ Să valorificați date de piață, fundamentale, precum și texte și imagini alternative.

⬤ Să cerceteze și să evalueze factorii alfa utilizând statistici, Alphalens și valorile SHAP.

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

⬤ Backtest și evaluarea strategiilor de tranzacționare bazate pe învățarea automată folosind Zipline și Backtrader.

⬤ Optimizați analiza riscurilor și performanțelor portofoliului utilizând pandas, NumPy și pyfolio.

⬤ Creați o strategie de tranzacționare pe perechi bazată pe cointegrare pentru acțiuni și ETF-uri din SUA.

⬤  Antrenați un model gradient boosting pentru a prezice randamentele intraday folosind datele de înaltă calitate ale AlgoSeek privind tranzacțiile și cotațiile.

Pentru cine este această carte:

Dacă sunteți analist de date, om de știință de date, dezvoltator Python, analist de investiții sau manager de portofoliu interesat să obțineți cunoștințe practice de învățare automată pentru tranzacționare, această carte este pentru dvs. Această carte este pentru dvs. dacă doriți să învățați cum să extrageți valoare dintr-un set divers de surse de date utilizând machine learning pentru a vă proiecta propriile strategii de tranzacționare sistematică.

Este necesară o anumită înțelegere a Python și a tehnicilor de învățare automată.