توضیحات
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
- Machine Learning for Trading From Idea to Execution
- Market and Fundamental Data Sources and Techniques
- Alternative Data for Finance Categories and Use Cases
- Financial Feature Engineering How to Research Alpha Factors
- Portfolio Optimization and Performance Evaluation
- The Machine Learning Process
- Linear Models From Risk Factors to Return Forecasts
- The ML4T Workflow From Model to Strategy Backtesting
- Time-Series Models for Volatility Forecasts and Statistical Arbitrage
- Bayesian ML Dynamic Sharpe Ratios and Pairs Trading
(N.B. Please use the Look Inside option to see further chapters)
————————————————————–
ترجمه ماشینی :
با استفاده از پانداها، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، Backtrader، Alphalens، از یادگیری ماشین برای طراحی و آزمایش مجدد استراتژیهای معاملاتی خودکار برای بازارهای دنیای واقعی استفاده کنید. pyfolio.
ویژگی های کلیدی
- طراحی، آموزش و ارزیابی الگوریتم های یادگیری ماشینی که زیربنای استراتژی های معاملاتی خودکار هستند
- ایجاد تحقیق و فرآیند توسعه استراتژی برای اعمال مدلسازی پیشبینیکننده در تصمیمهای معاملاتی
- از NLP و یادگیری عمیق برای استخراج سیگنالهای قابل معامله از بازار و دادههای جایگزین استفاده کنید
توضیحات کتاب
رشد انفجاری داده های دیجیتال، تقاضا برای تخصص در استراتژی های معاملاتی که از یادگیری ماشین (ML) استفاده می کنند، افزایش داده است. این ویرایش دوم اصلاحشده و توسعهیافته به شما امکان میدهد مدلهای یادگیری پیشرفته نظارتشده، بدون نظارت و تقویتی را بسازید و ارزیابی کنید.
این کتاب یادگیری ماشینی سرتاسری را برای گردش کار معاملاتی، از مهندسی ایده و ویژگیها معرفی میکند. برای مدل سازی بهینه سازی، طراحی استراتژی و بک تست. 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 تیک را نشان میدهد. داده ها، نوارهای دقیقه و روزانه، پرونده های SEC، رونوشت تماس های درآمدی، اخبار مالی، یا تصاویر ماهواره ای برای تولید سیگنال های قابل معامله. 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 نحوه ارزیابی محتوای سیگنال ویژگیهای جدید را با استفاده از مقادیر Alphalens و SHAP نشان میدهد و شامل یک پیوست جدید با بیش از صد مثال عامل آلفا میشود.
در پایان، شما در ترجمه پیشبینیهای مدل ML مهارت خواهید داشت. به یک استراتژی معاملاتی که در افق های روزانه یا درون روز عمل می کند و در ارزیابی عملکرد آن.
آنچه خواهید آموخت
- از داده های متن و تصویر بازار، بنیادی و جایگزین استفاده کنید.
- تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، Alphalens و مقادیر SHAP
- اجرای تکنیک های یادگیری ماشین برای حل مشکلات سرمایه گذاری و معاملات
- آزمایش و ارزیابی استراتژی های معاملاتی مبتنی بر در مورد یادگیری ماشین با استفاده از Zipline و Backtrader
- بهینه سازی ریسک و تجزیه و تحلیل عملکرد پورتفولیو با استفاده از پانداها، NumPy و pyfolio
- ایجاد یک استراتژی تجارت جفت بر اساس یکپارچه سازی برای سهام ایالات متحده و ETF ها
- آموزش یک مدل افزایش گرادیان برای پیش بینی بازده روزانه با استفاده از معاملات با کیفیت بالا و داده های قیمت AlgoSeek
این کتاب برای چه کسی است
اگر شما یک داده هستید تحلیلگر، دانشمند داده، توسعهدهنده پایتون، تحلیلگر سرمایهگذاری، یا مدیر پورتفولیو علاقهمند به کسب دانش یادگیری ماشینی عملی برای تجارت، این کتاب برای شماست. اگر می خواهید بیاموزید 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، این کتاب برای شما مناسب است.
آشنایی با پایتون و تکنیک های یادگیری ماشین لازم است.
فهرست مطالب
- یادگیری ماشین برای تجارت از ایده تا اجرا
- منابع و تکنیک های داده های بازار و بنیادی
- داده های جایگزین برای دسته بندی های مالی و موارد استفاده
- مهندسی ویژگی های مالی نحوه تحقیق در مورد عوامل آلفا
- بهینه سازی پورتفولیو و ارزیابی عملکرد
- فرایند یادگیری ماشین
- مدلهای خطی از عوامل خطر تا پیشبینیهای بازگشتی
- جریان کاری ML4T از مدل تا تست بکآزمایی استراتژی
- مدلهای سری زمانی برای پیشبینی نوسانات و آربیتراژ آماری
- نسبتهای دینامیک شارپ و تجارت جفتهای بیزی ML
(نکته لطفاً برای مشاهده فصلهای بیشتر از گزینه Look Inside استفاده کنید)
< /ol>
tag : دانلود کتاب یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم , Download یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم , دانلود یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم , Download Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition Book , یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم دانلود , buy یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم , خرید کتاب یادگیری ماشین برای تجارت الگوریتمی: مدلهای پیشبینی برای استخراج سیگنالها از بازار و دادههای جایگزین برای استراتژیهای معاملاتی سیستماتیک با پایتون، نسخه دوم , دانلود کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition , کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition , دانلود Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition , خرید Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition , خرید کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.