Кластерный анализ фондового рынка и криптовалют на Python, Суков Я.

Кластерный анализ фондового рынка и криптовалют на Python, Суков Я.
     
    Книга подробно описывает инструментарий Docker и возможности использования контейнеров для развертывания программного обеспечения. Рассказано об интеграции Docker и контейнеров Linux с облачными сервисами и Kubemetes. Описаны методы сборки образов Open Container Initiative (OCI), развертывания и администрирования образов с использованием командной строки. Показано, как образы OCI упрощают управление зависимостями и ускоряют процесс развертывания приложений. Даны практические рекомендации по настройке и тестированию контейнеров, подробно рассмотрены инструменты оркестрации, обеспечения безопасности и конфигурирования Docker. В третьем издании особое внимание уделено инструменту BuildKit, поддержке мультиархитектурных образов, а также контейнеров в режиме rootless.




Применение кластерного анализа в финансах.
Кластерный анализ — это мощный инструмент для выявления скрытых структур и закономерностей в данных.

В финансовой сфере кластерный анализ позволяет группировать активы, такие как акции, облигации и криптовалюты, на основе их характеристик, таких как доходность, волатильность и корреляция.

Это помогает инвесторам и аналитикам принимать более обоснованные решения, управлять рисками и оптимизировать портфели.


ОГЛАВЛЕНИЕ.
Введение.
1. Цель книги.
Применение кластерного анализа в финансах.
Почему Python? Краткий обзор инструментов.
2. Кому полезна эта книга?.
Аналитикам, трейдерам, исследователям данных.
Часть I: Основы кластерного анализа.
1. Что такое кластерный анализ?.
Определение, типы кластеризации (с обучением/без обучения).
Примеры применения в финансах: сегментация активов, поиск паттернов.
2. Основные алгоритмы кластеризации.
К-средних (K-Means).
Иерархическая кластеризация.
DBSCAN.
Метод сдвига среднего (Mean Shift).
Сравнение методов: плюсы и минусы.
3. Метрики оценки качества кластеризации.
Индекс силуэта.
Индекс Дэвиса-Болдуина.
Валидация через внешние данные (если доступны).
Часть II: Инструменты Python для анализа данных.
1. Настройка среды разработки.
Установка Python. Jupyter Notebook, библиотек (Pandas, NumPy, Scikit-leam, Matplotlib, Seaborn).
2. Библиотеки для работы с финансовыми данными.
Pandas для обработки временных рядов.
Yahoo Finance, Alpha Vantage, Binance API.
Cryptocompare и CoinGecko для криптовалют.
3. Визуализация данных.
Графики цен, тепловые карты корреляций.
3D-визуализация кластеров.
Часть III: Подготовка данных.
1. Сбор данных.
Источники данных: акции (S&P 500, NASDAQ), криптовалюты (BTC, ЕТН, альткоины).
API и CSV-датасеты.
2. Предобработка данных.
Нормализация и стандартизация.
Работа с пропусками и выбросами.
Расчет финансовых показателей: доходность, волатильность, RSI.
3. Формирование признаков.
Ценовые данные vs. технические индикаторы (MACD, SMA, Bollinger Bands).
Часть IV: Кластерный анализ на практике.
1. Кластеризация акций фондовою рынка.
Пример: группировка акций S&P 500 по волатильности и доходности.
Визуализация результатов.
2. Кластеризация криптовалют.
Особенности криптовалютных данных: высокая волатильность, 24/7 торговля.
Пример: кластеризация по корреляции цен и объемам торгов.
3. Сравнение результатов.
Чем отличается кластеризация криптовалют от традиционных активов?.
4. Оптимизация алгоритмов.
Подбор гиперпараметров (например, числа кластеров для K-Means).
Использование метода локтя (Elbow Method).
Часть V: Продвинутые методы.
1. Ансамбли методов кластеризации.
Комбинация K-Means и иерархической кластеризации.
2. Кластеризация временных рядов.
Dynamic Time Warping (DTW) для сравнения временных рядов.
Пример: группировка криптовалют по динамике цен.
3. Машинное обучение и кластеризация.
Использование РСА для уменьшения размерности.
Нейросетевые подходы (Autoencoders).
Часть VI: Кейсы и приложения.
1. Портфельная оптимизация.
Диверсификация на основе кластеров.
2. Обнаружение аномалий.
Поиск "необычных" активов через кластеризацию.
3. Прогнозирование трендов.
Как кластеры помогают предсказывать движение рынка?.
4. Реальные кейсы.
Анализ краха LUNA/UST.
Кластеризация во время кризисов (COVID-19, майнинг-бум).
Заключение.
1. Итоги и ключевые выводы.
2. Перспективы кластерного анализа в финансах.
3. Рекомендации для дальнейшего изучения.
Приложения.
1. Примеры кода на Python.
Полные скрипты для ключевых алгоритмов.
2. Ссылки на датасеты и API.
3. Список литературы.
Книги, статьи, исследования.

Купить .



Хештеги: #учебник по программированию :: #программирование :: #Суков :: #криптовалюта