توضیحات
This book introduces machine learning methods in finance. It presents a unified treatment of machine learning and various statistical and computational disciplines in quantitative finance, such as financial econometrics and discrete time stochastic control, with an emphasis on how theory and hypothesis tests inform the choice of algorithm for financial data modeling and decision making. With the trend towards increasing computational resources and larger datasets, machine learning has grown into an important skillset for the finance industry. This book is written for advanced graduate students and academics in financial econometrics, mathematical finance and applied statistics, in addition to quants and data scientists in the field of quantitative finance.
Machine Learning in Finance: From Theory to Practiceis divided into three parts, each part covering theory and applications. The first presents supervised learning for cross-sectional data from both a Bayesian and frequentist perspective. The more advanced material places a firm emphasis on neural networks, including deep learning, as well as Gaussian processes, with examples in investment management and derivative modeling. The second part presents supervised learning for time series data, arguably the most common data type used in finance with examples in trading, stochastic volatility and fixed income modeling. Finally, the third part presents reinforcement learning and its applications in trading, investment and wealth management. Python code examples are provided to support the readers’ understanding of the methodologies and applications. The book also includes more than 80 mathematical and programming exercises, with worked solutions available to instructors. As a bridge to research in this emergent field, the final chapter presents the frontiers of machine learning in finance from a researcher’s perspective, highlighting how many well-known concepts in statistical physics are likely to emerge as important methodologies for machine learning in finance.
————————————————————–
ترجمه ماشینی :
این کتاب روش های یادگیری ماشینی را در امور مالی معرفی می کند. این یک درمان یکپارچه از یادگیری ماشین و رشتههای آماری و محاسباتی مختلف در امور مالی کمی، مانند اقتصاد سنجی مالی و کنترل تصادفی زمان گسسته، با تاکید بر چگونگی انتخاب الگوریتم برای مدلسازی دادههای مالی و تصمیمگیری، ارائه میکند. با گرایش به افزایش منابع محاسباتی و مجموعه داده های بزرگتر، یادگیری ماشین به یک مهارت مهم برای صنعت مالی تبدیل شده است. این کتاب برای دانشجویان کارشناسی ارشد پیشرفته و دانشگاهیان در اقتصاد سنجی مالی، مالی ریاضی و آمار کاربردی، علاوه بر کمیت ها و دانشمندان داده در زمینه مالی کمی نوشته شده است.
Machine Learning in Finance: From تئوری تا عملبه سه قسمت تقسیم می شود که هر قسمت تئوری و کاربردها را پوشش می دهد. اولی یادگیری نظارت شده را برای داده های مقطعی از هر دو دیدگاه بیزی و مکرر ارائه می دهد. مواد پیشرفته تر تاکید جدی بر شبکه های عصبی، از جمله یادگیری عمیق، و همچنین فرآیندهای گاوسی، با مثال هایی در مدیریت سرمایه گذاری و مدل سازی مشتق دارد. بخش دوم یادگیری نظارت شده را برای داده های سری زمانی ارائه می دهد، که مسلماً رایج ترین نوع داده مورد استفاده در امور مالی با مثال هایی در تجارت، نوسانات تصادفی و مدل سازی درآمد ثابت است. در نهایت، بخش سوم به ارائه یادگیری تقویتی و کاربردهای آن در تجارت، سرمایه گذاری و مدیریت ثروت می پردازد. نمونههای کد پایتون برای حمایت از درک خوانندگان از روش
tag : دانلود کتاب یادگیری ماشین در امور مالی: از تئوری تا عمل , Download یادگیری ماشین در امور مالی: از تئوری تا عمل , دانلود یادگیری ماشین در امور مالی: از تئوری تا عمل , Download Machine Learning in Finance: From Theory to Practice Book , یادگیری ماشین در امور مالی: از تئوری تا عمل دانلود , buy یادگیری ماشین در امور مالی: از تئوری تا عمل , خرید کتاب یادگیری ماشین در امور مالی: از تئوری تا عمل , دانلود کتاب Machine Learning in Finance: From Theory to Practice , کتاب Machine Learning in Finance: From Theory to Practice , دانلود Machine Learning in Finance: From Theory to Practice , خرید Machine Learning in Finance: From Theory to Practice , خرید کتاب Machine Learning in Finance: From Theory to Practice ,
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.