0 رای
وضعیت موجودی موجود

قیمت قبلی: 17,200,000 ریال
قیمت: 16,800,000 ریال

 



Product details

  • Publisher ‏ : ‎ Packt Publishing (July 31, 2020)
  • Language ‏ : ‎ English
  • Paperback ‏ : ‎ 820 pages
  • ISBN-10 ‏ : ‎ 1839217715
  • ISBN-13 ‏ : ‎ 978-1839217715

 

جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition

Available at a lower price from other sellers that may not offer free Prime shipping.
 
 
 

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.

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

(N.B. Please use the Look Inside option to see further chapters)

  1. Machine Learning for Trading – From Idea to Execution
  2. Market and Fundamental Data – Sources and Techniques
  3. Alternative Data for Finance – Categories and Use Cases
  4. Financial Feature Engineering – How to Research Alpha Factors
  5. Portfolio Optimization and Performance Evaluation
  6. The Machine Learning Process
  7. Linear Models – From Risk Factors to Return Forecasts
  8. The ML4T Workflow – From Model to Strategy Backtesting
  9. Time-Series Models for Volatility Forecasts and Statistical Arbitrage
  10. Bayesian ML – Dynamic Sharpe Ratios and Pairs Trading

 

منابع کتاب جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition

با قیمت پایین‌تری از سایر فروشندگانی که ممکن است ارسال رایگان Prime را ارائه ندهند، موجود است.
از یادگیری ماشینی برای طراحی و آزمایش مجدد استراتژی‌های معاملاتی خودکار برای بازارهای دنیای واقعی با استفاده از پانداها، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، Backtrader، Alphalens و pyfolio استفاده کنید.
 
ویژگی های کلیدی
الگوریتم‌های یادگیری ماشینی را طراحی، آموزش و ارزیابی کنید که زیربنای استراتژی‌های معاملاتی خودکار هستند
یک فرآیند تحقیق و توسعه استراتژی برای اعمال مدل‌سازی پیش‌بینی‌کننده در تصمیم‌گیری‌های معاملاتی ایجاد کنید
از NLP و یادگیری عمیق برای استخراج سیگنال های قابل معامله از بازار و داده های جایگزین استفاده کنید
توضیحات کتاب
رشد انفجاری داده‌های دیجیتال تقاضا برای تخصص در استراتژی‌های معاملاتی که از یادگیری ماشین (ML) استفاده می‌کنند، افزایش داده است. این ویرایش دوم اصلاح‌شده و توسعه‌یافته به شما امکان می‌دهد تا مدل‌های یادگیری پیشرفته تحت نظارت، بدون نظارت و تقویتی را بسازید و ارزیابی کنید.
 
این کتاب یادگیری ماشینی سرتاسری را برای گردش کار معاملاتی، از مهندسی ایده و ویژگی گرفته تا بهینه‌سازی مدل، طراحی استراتژی، و بک تست معرفی می‌کند. این موضوع را با استفاده از مثال‌هایی از مدل‌های خطی و مجموعه‌های مبتنی بر درخت تا تکنیک‌های یادگیری عمیق از تحقیقات پیشرفته نشان می‌دهد.
 
این نسخه نحوه کار با داده‌های بازار، بنیادی و جایگزین، مانند داده‌های تیک، نوارهای دقیقه و روزانه، پرونده‌های SEC، رونوشت تماس‌های درآمد، اخبار مالی، یا تصاویر ماهواره‌ای را برای تولید سیگنال‌های قابل معامله نشان می‌دهد. این نشان می‌دهد که چگونه می‌توان ویژگی‌های مالی یا عوامل آلفا را مهندسی کرد که یک مدل ML را قادر می‌سازد تا بازدهی از داده‌های قیمت را برای سهام ایالات متحده و بین‌المللی و ETFها پیش‌بینی کند. همچنین نشان می دهد که چگونه می توان محتوای سیگنال ویژگی های جدید را با استفاده از مقادیر Alphalens و SHAP ارزیابی کرد و شامل یک پیوست جدید با بیش از صد مثال عامل آلفا می شود.
 
در پایان، شما در تبدیل پیش‌بینی‌های مدل ML به یک استراتژی معاملاتی که در افق‌های روزانه یا روزانه عمل می‌کند و در ارزیابی عملکرد آن مهارت خواهید داشت.
 
آنچه خواهید آموخت
اهرم بازار، داده های متنی و تصویری اساسی و جایگزین
تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، آلفالن و مقادیر SHAP
پیاده سازی تکنیک های یادگیری ماشین برای حل مشکلات سرمایه گذاری و تجارت
بک تست و ارزیابی استراتژی های معاملاتی بر اساس یادگیری ماشینی با استفاده از Zipline و Backtrader
تجزیه و تحلیل ریسک و عملکرد پورتفولیو را با استفاده از پانداها، NumPy و pyfolio بهینه کنید
یک استراتژی تجارت جفتی بر اساس ادغام مشترک برای سهام ایالات متحده و ETF ها ایجاد کنید
آموزش یک مدل افزایش گرادیان برای پیش‌بینی بازده روزانه با استفاده از معاملات با کیفیت بالا و داده‌های مظنه AlgoSeek
این کتاب برای چه کسی است
اگر شما یک تحلیلگر داده، دانشمند داده، توسعه دهنده پایتون، تحلیلگر سرمایه گذاری، یا مدیر پورتفولیو هستید که علاقه مند به کسب دانش یادگیری ماشینی عملی برای تجارت هستید، این کتاب برای شما مناسب است. اگر می خواهید بیاموزید چگونه با استفاده از یادگیری ماشینی، ارزش را از مجموعه متنوعی از منابع داده استخراج کنید تا استراتژی های معاملاتی سیستماتیک خود را طراحی کنید، این کتاب برای شما مناسب است.
 
آشنایی با پایتون و تکنیک‌های یادگیری ماشین لازم است.
 
فهرست مطالب
یادگیری ماشین برای تجارت - از ایده تا اجرا
بازار و داده های بنیادی - منابع و تکنیک ها
داده های جایگزین برای امور مالی - دسته بندی ها و موارد استفاده
مهندسی ویژگی های مالی - نحوه تحقیق در مورد عوامل آلفا
بهینه سازی پورتفولیو و ارزیابی عملکرد
فرآیند یادگیری ماشینی
مدل های خطی - از عوامل خطر تا پیش بینی بازده
گردش کار ML4T - از مدل تا آزمون بک تست استراتژی
مدل های سری زمانی برای پیش بینی نوسانات و آربیتراژ آماری
Bayesian ML - نسبت های دینامیک شارپ و تجارت جفت
(نکته لطفا از گزینه Look Inside برای دیدن فصل های بیشتر استفاده کنید)

نظرات کاربران درباره جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition

نظری در مورد این محصول توسط کاربران ارسال نگردیده است.
اولین نفری باشید که در مورد جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition نظر می دهد.

ارسال نظر درباره جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition

لطفا توجه داشته باشید که ایمیل شما منتشر نخواهد شد.

برچسب های مرتبط با جلد معمولی رنگی_کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition

Data Processing پردازش داده ها خرید اینترنتی کتاب های زبان اصلی کامپیوتر خرید اینترنتی کتاب های لاتین Databases & Big Data

بر اساس سلیقه شما...

codebazan

طراحی و اجرا: فروشگاه ساز سبدخرید