Sale
یادگیری ماشین برای معاملات الگوریتمی: مدل های پیش بینی برای استخراج سیگنال از داده های بازار و داده های جایگزین برای استراتژی های معاملات سیستماتیک با پایتون، ویرایش دوم ۲۰۲۰
Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition 2020
دانلود کتاب یادگیری ماشین برای معاملات الگوریتمی: مدل های پیش بینی برای استخراج سیگنال از داده های بازار و داده های جایگزین برای استراتژی های معاملات سیستماتیک با پایتون، ویرایش دوم ۲۰۲۰ (Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition 2020) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Stefan Jansen |
|---|
ناشر:
Packt Publishing
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2020 |
|---|---|
| زبان |
English |
| تعداد صفحهها |
820 |
| نوع فایل |
epub, pdf |
| حجم |
27 Mb |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب یادگیری ماشین برای معاملات الگوریتمی: مدل های پیش بینی برای استخراج سیگنال از داده های بازار و داده های جایگزین برای استراتژی های معاملات سیستماتیک با پایتون، ویرایش دوم ۲۰۲۰
از یادگیری ماشین برای طراحی و تست معکوس استراتژی های معاملات خودکار برای بازارهای واقعی با استفاده از pandas، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، backtrader، Alphalens و pyfolio استفاده کنید.
خرید کتاب چاپی یا Kindle شامل یک کتاب الکترونیکی رایگان در قالب PDF است.
ویژگی های کلیدی
- طراحی، آموزش و ارزیابی الگوریتم های یادگیری ماشین که مبنای استراتژی های معاملات خودکار را تشکیل می دهند
- ایجاد یک فرآیند تحقیق و توسعه استراتژی برای اعمال مدل سازی پیش بینی کننده به تصمیمات معاملاتی
- استفاده از NLP و یادگیری عمیق برای استخراج سیگنال های قابل معامله از داده های بازار و داده های جایگزین
شرح کتاب
رشد انفجاری داده های دیجیتال، تقاضا برای تخصص در استراتژی های معاملاتی که از یادگیری ماشین (ML) استفاده می کنند را افزایش داده است. این ویرایش دوم تجدید نظر شده و گسترش یافته، شما را قادر می سازد تا مدل های پیچیده یادگیری نظارت شده، نظارت نشده و تقویتی را بسازید و ارزیابی کنید.
این کتاب یادگیری ماشین انتها به انتها را برای گردش کار معاملاتی، از ایده و مهندسی ویژگی تا بهینه سازی مدل، طراحی استراتژی و تست معکوس، معرفی می کند. این کتاب این موضوع را با استفاده از مثال هایی از مدل های خطی و مجموعه های درخت محور تا تکنیک های یادگیری عمیق از تحقیقات پیشرفته نشان می دهد.
این ویرایش نشان می دهد که چگونه با داده های بازار، بنیادی و جایگزین، مانند داده های تیک، نوارهای دقیقه ای و روزانه، پرونده های SEC، رونوشت های تماس با درآمد، اخبار مالی یا تصاویر ماهواره ای برای تولید سیگنال های قابل معامله کار کنید. این کتاب نشان می دهد که چگونه ویژگی های مالی یا عوامل آلفا را که به یک مدل ML امکان می دهند تا بازده را از داده های قیمت برای سهام و ETF های ایالات متحده و بین المللی پیش بینی کند، مهندسی کنید. همچنین نشان می دهد که چگونه محتوای سیگنال ویژگی های جدید را با استفاده از Alphalens و مقادیر SHAP ارزیابی کنید و شامل یک ضمیمه جدید با بیش از صد نمونه از عوامل آلفا است.
در نهایت، شما در ترجمه پیش بینی های مدل ML به یک استراتژی معاملاتی که در افق روزانه یا درون روز عمل می کند، و ارزیابی عملکرد آن، خبره خواهید شد.
آنچه خواهید آموخت
- استفاده از داده های متن و تصویر بازار، بنیادی و جایگزین
- تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، Alphalens و مقادیر SHAP
- پیاده سازی تکنیک های یادگیری ماشین برای حل مسائل سرمایه گذاری و معاملاتی
- تست معکوس و ارزیابی استراتژی های معاملاتی مبتنی بر یادگیری ماشین با استفاده از Zipline و Backtrader
- بهینه سازی تجزیه و تحلیل ریسک و عملکرد پرتفوی با استفاده از pandas، NumPy و pyfolio
- ایجاد یک استراتژی معاملات زوجی بر اساس هم کنشگری برای سهام و ETF های ایالات متحده
- آموزش یک مدل تقویت گرادیان برای پیش بینی بازده درون روز با استفاده از داده های معاملات و نقل قول باکیفیت AlgoSeek
این کتاب برای چه کسانی مناسب است
اگر شما یک تحلیلگر داده، دانشمند داده، توسعه دهنده پایتون، تحلیلگر سرمایه گذاری یا مدیر پرتفوی هستید که به دنبال کسب دانش عملی یادگیری ماشین برای معاملات هستید، این کتاب برای شما مناسب است. این کتاب برای شما مناسب است اگر می خواهید یاد بگیرید که چگونه با استفاده از یادگیری ماشین، ارزش را از مجموعه متنوعی از منابع داده استخراج کنید تا استراتژی های معاملاتی سیستماتیک خود را طراحی کنید.
درک اولیه ای از پایتون و تکنیک های یادگیری ماشین لازم است.
فهرست کتاب:
۱. پیشگفتار
۲. یادگیری ماشین برای معاملهگری – از ایده تا اجرا
۳. دادههای بازار و بنیادی – منابع و تکنیکها
۴. دادههای جایگزین برای امور مالی – دستهها و موارد استفاده
۵. مهندسی ویژگیهای مالی – چگونه عوامل آلفا را تحقیق کنیم
۶. بهینهسازی سبد سهام و ارزیابی عملکرد
۷. فرآیند یادگیری ماشین
۸. مدلهای خطی – از عوامل ریسک تا پیشبینی بازده
۹. گردش کار ML۴T – از مدل تا آزمایش برگشتی استراتژی
۱۰. مدلهای سری زمانی برای پیشبینی نوسانات و آربیتراژ آماری
۱۱. یادگیری ماشین بیزی – نسبتهای شارپ پویا و معاملهگری جفت ارزها
۱۲. جنگلهای تصادفی – یک استراتژی خرید-فروش برای سهام ژاپنی
۱۳. تقویت استراتژی معاملهگری شما
۱۴. عوامل ریسک مبتنی بر داده و تخصیص دارایی با یادگیری بدون نظارت
۱۵. دادههای متنی برای معاملهگری – تحلیل احساسات
۱۶. مدلسازی موضوعی – خلاصهسازی اخبار مالی
۱۷. تعبیههای کلمات برای تماسهای اعلام سود و پروندههای SEC
۱۸. یادگیری عمیق برای معاملهگری
۱۹. شبکههای عصبی کانولوشنال (CNN) برای سریهای زمانی مالی و تصاویر ماهوارهای
۲۰. شبکههای عصبی بازگشتی (RNN) برای سریهای زمانی چند متغیره و تحلیل احساسات
۲۱. خودرمزگذارها برای عوامل ریسک شرطی و قیمتگذاری دارایی
۲۲. شبکههای مولد تخاصمی برای دادههای سری زمانی مصنوعی
۲۳. یادگیری تقویتی عمیق – ساخت یک عامل معاملهگر
۲۴. نتیجهگیریها و گامهای بعدی
۲۵. پیوست: کتابخانه عوامل آلفا
۲۶. مراجع
۲۷. فهرست نمایه
توضیحات(انگلیسی)
Leverage machine learning to design and back-test automated trading strategies for real-world markets using pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens, and pyfolio.
Purchase of the print or Kindle book includes a free eBook in the PDF format.
Key Features
- Design, train, and evaluate machine learning algorithms that underpin automated trading strategies
- Create a research and strategy development process to apply predictive modeling to trading decisions
- Leverage NLP and deep learning to extract tradeable signals from market and alternative data
Book Description
The explosive growth of digital data has boosted the demand for expertise in trading strategies that use machine learning (ML). This revised and expanded second edition enables you to build and evaluate sophisticated supervised, unsupervised, and reinforcement learning models.
This book introduces end-to-end machine learning for the trading workflow, from the idea and feature engineering to model optimization, strategy design, and backtesting. It illustrates this by using examples ranging from linear models and tree-based ensembles to deep-learning techniques from cutting edge research.
This edition shows how to work with market, fundamental, and alternative data, such as tick data, minute and daily bars, SEC filings, earnings call transcripts, financial news, or satellite images to generate tradeable signals. It illustrates how to engineer financial features or alpha factors that enable an ML model to predict returns from price data for US and international stocks and ETFs. It also shows how to assess the signal content of new features using Alphalens and SHAP values and includes a new appendix with over one hundred alpha factor examples.
By the end, you will be proficient in translating ML model predictions into a trading strategy that operates at daily or intraday horizons, and in evaluating its performance.
What you will learn
- Leverage market, fundamental, and alternative text and image data
- Research and evaluate alpha factors using statistics, Alphalens, and SHAP values
- Implement machine learning techniques to solve investment and trading problems
- Backtest and evaluate trading strategies based on machine learning using Zipline and Backtrader
- Optimize portfolio risk and performance analysis using pandas, NumPy, and pyfolio
- Create a pairs trading strategy based on cointegration for US equities and ETFs
- Train a gradient boosting model to predict intraday returns using AlgoSeek's high-quality trades and quotes data
Who this book is for
If you are a data analyst, data scientist, Python developer, investment analyst, or portfolio manager interested in getting hands-on machine learning knowledge for trading, this book is for you. This book is for you if you want to learn how to extract value from a diverse set of data sources using machine learning to design your own systematic trading strategies.
Some understanding of Python and machine learning techniques is required.
Table of Contents
1. Preface
2. Machine Learning for Trading – From Idea to Execution
3. Market and Fundamental Data – Sources and Techniques
4. Alternative Data for Finance – Categories and Use Cases
5. Financial Feature Engineering – How to Research Alpha Factors
6. Portfolio Optimization and Performance Evaluation
7. The Machine Learning Process
8. Linear Models – From Risk Factors to Return Forecasts
9. The ML4T Workflow – From Model to Strategy Backtesting
10. Time-Series Models for Volatility Forecasts and Statistical Arbitrage
11. Bayesian ML – Dynamic Sharpe Ratios and Pairs Trading
12. Random Forests – A Long-Short Strategy for Japanese Stocks
13. Boosting Your Trading Strategy
14. Data-Driven Risk Factors and Asset Allocation with Unsupervised Learning
15. Text Data for Trading – Sentiment Analysis
16. Topic Modeling – Summarizing Financial News
17. Word Embeddings for Earnings Calls and SEC Filings
18. Deep Learning for Trading
19. CNNs for Financial Time Series and Satellite Images
20. RNNs for Multivariate Time Series and Sentiment Analysis
21. Autoencoders for Conditional Risk Factors and Asset Pricing
22. Generative Adversarial Networks for Synthetic Time-Series Data
23. Deep Reinforcement Learning – Building a Trading Agent
24. Conclusions and Next Steps
25. Appendix: Alpha Factor Library
26. References
27. Index
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
