Машинное обучение для алгоритмической торговли на финансовых рынках, Практикум, Янсен С., 2020

Машинное обучение для алгоритмической торговли на финансовых рынках, Практикум, Янсен С., 2020.
 
Книга посвящена практике применения машинного обучения с целью создания мощных алгоритмических стратегий для успешной торговли на финансовых рынках. Изложены базовые принципы работы с данными: оценивание наборов данных, доступ к данным через API на языке Python, доступ к финансовым данным на платформе Quandl и управление ошибками предсказания. Рассмотрены построение и тренировка алгоритмических моделей с помощью Python-библиотек pandas, Seaborn, StatsModels и sklearn и построение, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Описано применение библиотеки PyMC3 для байесового машинного обучения, библиотек NLTK, sklearn (Scikit-learn) и spaCy для назначения отметок финансовым новостям и классифицирования документов, библиотеки Keras для создания, настройки и оценки нейронных сетей прямого распространения, рекуррентных и сверточных сетей. Показано, как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности и как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.




Как строить классификационное дерево.
Классификационное дерево работает точно так же, как и его регрессионная версия, за исключением того, что категориальная природа результата требует другого под- хода к предсказанию и измерению потери. В то время как регрессионное дерево предсказывает отклик для наблюдения, назначенного листовому узлу, используя средний результат ассоциированных тренировочных образцов, классификационное дерево вместо этого использует моду, т. е. наиболее распространенный класс среди тренировочных образцов в соответствующем участке. Классификационное дерево также может генерировать вероятностные предсказания на основе относительных частот классов.

Оглавление.
Об авторе.
О рецензентах.
Комментарии переводчика.
Предисловие.
Глава 1.Машинное обучение для торговли на финансовых рынках.
Глава 2.Рыночные и фундаментальные данные.
Глава 3.Альтернативные данные для финансов.
Глава 4.Исследование альфа-факторов.
Глава 5.Оценивание стратегии.
Глава 6.Процесс машинного обучения.
Глава 7.Линейные модели.
Глава 8.Mодели временных рядов.
Глава 9.Байесово машинное обучение.
Глава 10.Деревья решений и случайные леса.
Глава 11.Градиентно-бустинговые машины.
Глава 12.Неконтролируемое обучение.
Глава 13.Работа с текстовыми данными.
Глава 14.Тематическое моделирование.
Глава 15.Векторное вложение слов.
Глава 16.Дальнейшие действия.
Заключение.
Глоссарий.
Предметный указатель.

Купить .



Хештеги: #Янсен :: #машинное обучение :: #финансы :: #финансовые рынки