Mastering Python for Finance - Ediția a doua: Implementați aplicații avansate de statistică financiară de ultimă oră utilizând Python

Recenzii ale cititorilor

Cartea este o introducere în calculul financiar care acoperă concepte financiare importante și matematică, dar are, de asemenea, mai multe dezavantaje, inclusiv surse de date învechite, exemple de codificare slabe și sprijin inadecvat pentru aplicații practice. Cartea a primit recenzii mixte, unii lăudându-i claritatea și abordarea pentru finanțele cantitative, în timp ce alții o critică pentru lipsa de profunzime și pentru eșecul de a oferi instrumente practice.

⬤ Bine scrisă și ușor de urmărit
⬤ Acoperă metode numerice importante și metodologii matematice avansate în Python
⬤ Oferă îndrumări privind construirea și testarea de rezervă a strategiilor de tranzacționare algoritmică
⬤ Utile pentru practicienii în finanțe cantitative.

⬤ Surse de date învechite și dependența de abonamente plătite pentru date utile
⬤ Lipsesc exemple detaliate de programare și suport pentru aplicații practice
⬤ Unele erori conceptuale observate de recenzenți
⬤ Nu este suficient de ușor de utilizat pentru începători
⬤ Lipsesc secțiuni importante și suport de programare pentru baze de date.

(pe baza a 8 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Duceți-vă abilitățile financiare la nivelul următor prin stăpânirea aplicațiilor financiare matematice și statistice de ultimă oră

Caracteristici principale

⬤ Explorați modele financiare avansate utilizate de industrie și modalități de rezolvare a acestora utilizând Python.

⬤ Construiți infrastructuri de ultimă generație pentru modelare, vizualizare, tranzacționare și multe altele.

⬤ Puterea aplicațiilor dvs. financiare prin aplicarea învățării automate și a învățării profunde.

Descrierea cărții

Cea de-a doua ediție a Mastering Python for Finance vă va ghida în efectuarea calculelor financiare complexe practicate în industria financiară prin utilizarea metodologiilor de ultimă generație. Veți stăpâni ecosistemul Python valorificând instrumentele disponibile publicului pentru a realiza cu succes studii de cercetare și modelare și veți învăța să gestionați riscurile cu ajutorul unor exemple avansate.

Veți începe prin a vă configura notebook-ul Jupyter pentru a implementa sarcinile pe parcursul cărții. Veți învăța să luați decizii financiare eficiente și puternice bazate pe date utilizând biblioteci populare precum TensorFlow, Keras, Numpy, SciPy și sklearn. Veți învăța, de asemenea, cum să construiți aplicații financiare prin stăpânirea unor concepte precum acțiunile, opțiunile, ratele dobânzilor și instrumentele lor derivate, precum și analiza riscurilor utilizând metode computaționale. Cu aceste baze, veți învăța să aplicați analiza statistică la datele din seriile de timp și să înțelegeți modul în care datele din seriile de timp sunt utile pentru implementarea unui sistem de backtesting bazat pe evenimente și pentru lucrul cu date de înaltă frecvență în construirea unei platforme de tranzacționare algoritmică. În cele din urmă, veți explora tehnicile de învățare automată și de învățare profundă care sunt aplicate în finanțe.

Până la sfârșitul acestei cărți, veți putea să aplicați Python la diferite paradigme din industria financiară și să efectuați o analiză eficientă a datelor.

Ce veți învăța

⬤ Soluționați modele liniare și neliniare reprezentând diverse probleme financiare.

⬤ Efectuați analiza componentelor principale ale indicelui DOW și ale componentelor sale.

⬤ Analizați, preziceți și prognozați procese de serii temporale staționare și nestaționare.

⬤ Creați un instrument de backtesting bazat pe evenimente și măsurați-vă strategiile.

⬤ Construiți o platformă de tranzacționare algoritmică de înaltă frecvență cu Python.

⬤ Replicați indicele CBOT VIX cu opțiuni SPX pentru studierea strategiilor bazate pe VIX.

⬤ Executați sarcini de învățare automată bazate pe regresie și pe clasificare pentru predicție.

⬤ Utilizați TensorFlow și Keras în arhitectura rețelelor neuronale de învățare profundă.