Download Machine Learning for Algorithmic Trading: Predictive models to extract signals book

Letöltés: https://drive.google.com/file/d/1BLOXsE7WdaNXQmAJj97l3uZON91R_5AV/view?usp=sharing

Használja ki a gépi tanulást az automatizált kereskedési stratégiák megtervezéséhez és utólagos teszteléséhez valós piacokon a pandák, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens és pyfolio segítségével. A nyomtatott vagy Kindle könyv megvásárlása egy ingyenes e-könyvet tartalmaz PDF formátumban.

Főbb jellemzők

• Az automatizált kereskedési stratégiákat megalapozó gépi tanulási algoritmusok tervezése, betanítása és értékelése
• Hozzon létre egy kutatási és stratégiafejlesztési folyamatot a prediktív modellezés alkalmazásához a kereskedési döntésekben
• Használja ki az NLP-t és a mély tanulást, hogy kereskedhető jeleket vonjon ki a piaci és alternatív adatokból

Könyv leírása
A digitális adatok robbanásszerű növekedése megnövelte a gépi tanulást (ML) alkalmazó kereskedési stratégiákkal kapcsolatos szakértelem iránti igényt. Ez az átdolgozott és kibővített második kiadás lehetővé teszi kifinomult felügyelt, nem felügyelt és megerősített tanulási modellek felépítését és értékelését.

Ez a könyv a teljes gépi tanulást mutatja be a kereskedési munkafolyamathoz, az ötlet- és funkciótervezéstől a modelloptimalizálásig, a stratégiatervezésig és az utólagos tesztelésig. Ezt példákkal szemlélteti a lineáris modellektől és a fa alapú együttesektől a mély tanulási technikákig az élvonalbeli kutatástól kezdve.

Ez a kiadás bemutatja, hogyan kell dolgozni piaci, alapvető és alternatív adatokkal, mint például a tick adatok, perc- és napi sávok, SEC-bejelentések, bevételi hívások átiratai, pénzügyi hírek vagy műholdképek kereskedhető jelek generálására. Bemutatja, hogyan lehet olyan pénzügyi jellemzőket vagy alfa-tényezőket kialakítani, amelyek lehetővé teszik az ML-modell számára, hogy előre jelezze az amerikai és nemzetközi részvények és ETF-ek árfolyamadataiból származó hozamokat. Azt is bemutatja, hogyan lehet értékelni az új funkciók jeltartalmát Alphalens és SHAP értékek segítségével, és egy új függeléket tartalmaz több mint száz alfa-faktor példával.

A végére jártas lesz az ML-modell előrejelzéseinek napi vagy napon belüli távon működő kereskedési stratégiává való lefordításában, valamint annak teljesítményének értékelésében.

Mit fog tanulni

• Használja ki a piaci, alapvető és alternatív szöveges és képi adatokat
• Kutasson és értékeljen alfa-tényezőket statisztikák, Alphalens és SHAP értékek segítségével
• Alkalmazzon gépi tanulási technikákat a befektetési és kereskedési problémák megoldására
• Tesztelje vissza és értékelje a gépi tanuláson alapuló kereskedési stratégiákat a Zipline és a Backtrader segítségével
• Optimalizálja a portfólió kockázat- és teljesítményelemzését a panda, a NumPy és a pyfolio segítségével
• Hozzon létre egy páros kereskedési stratégiát az egyesült államokbeli részvények és ETF-ek kointegrációján
• Tanuljon meg egy gradiens-növelő modellt a napon belüli hozamok előrejelzéséhez az AlgoSeek kiváló minőségű kereskedési és jegyzési adataival

Kinek szól ez a könyv
Ha Ön adatelemző, adattudós, Python-fejlesztő, befektetési elemző vagy portfóliómenedzser szeretne gyakorlati gépi tanulási ismereteket szerezni kereskedéshez, akkor ez a könyv Önnek szól. Ez a könyv Önnek szól, ha szeretné megtanulni, hogyan nyerhet ki értéket sokféle adatforrásból a gépi tanulás segítségével saját szisztematikus kereskedési stratégiáinak megtervezéséhez. A Python és a gépi tanulási technikák bizonyos fokú ismerete szükséges.

Tartalomjegyzék

1. Gépi tanulás a kereskedéshez – az ötlettől a megvalósításig
2. Piaci és alapvető adatok – Források és technikák
3. Alternatív adatok a pénzügyekhez – kategóriák és felhasználási esetek
4. Pénzügyi jellemzők tervezése – Hogyan kutassuk az alfa-tényezőket
5. Portfólió optimalizálás és teljesítményértékelés
6. A gépi tanulási folyamat
7. Lineáris modellek – a kockázati tényezőktől a megtérülési előrejelzésekig
8. Az ML4T munkafolyamat – a modelltől a stratégia visszateszteléséig

 

I would like to edit the description because I accidentally wrote it in a different language. But I don't know