عنوان کتاب به انگلیسی: |
Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition |
| سال انتشار: 2020 | 820 صفحه | حجم فایل: 22 مگابایت | زبان: انگلیسی |
| نویسنده | Stefan Jansen |
| ناشر | Packt Publishing |
| ISBN10: | 1839217715 |
| ISBN13: | 9781839217715 |
توضیحات کتاب
Key FeaturesDesign, 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 dataBook 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)
توضیحات کتاب به فارسی (ترجمه ماشینی)
یادگیری ماشین اهرم برای طراحی و استراتژی های معاملاتی خودکار برای بازارهای دنیای واقعی با استفاده از پاندا ، TA-Lib ، Scikit-Learn ، LightGBM ، Spacy ، Gensim ، Tensorflow 2 ، Zipline ، Backstrader ، Alphalens و Pyfolio.
ویژگی های کلیدی
طراحی ، آموزش و ارزیابی الگوریتم های یادگیری ماشین که زیربنای استراتژی های معاملاتی خودکار است
یک فرایند تحقیق و توسعه استراتژی ایجاد کنید تا از مدل سازی پیش بینی شده در تصمیمات تجاری استفاده کنید
اهرم NLP و یادگیری عمیق برای استخراج سیگنال های قابل تجارت از داده های بازار و جایگزین
توضیحات کتاب
رشد انفجاری داده های دیجیتال باعث افزایش تقاضا برای تخصص در استراتژی های معاملاتی که از یادگیری ماشین (ML) استفاده می شود ، افزایش یافته است.این نسخه دوم اصلاح شده و گسترش یافته شما را قادر می سازد تا مدلهای پیشرفته نظارت شده ، بدون نظارت و تقویت شده را بسازید و ارزیابی کنید.
این کتاب یادگیری ماشین نهایی را برای گردش کار تجارت ، از ایده و مهندسی ویژگی گرفته تا مدل بهینه سازی ، طراحی استراتژی و پشتی معرفی می کند.این موضوع را با استفاده از نمونه هایی از مدل های خطی و گروه های مبتنی بر درخت گرفته تا تکنیک های یادگیری عمیق از تحقیقات برش نشان می دهد.
این نسخه نشان می دهد که چگونه می توان با داده های بازار ، اساسی و جایگزین مانند داده های کنه ، کافه های دقیقه و روزانه ، پرونده های SEC ، رونوشت های تماس با درآمد ، اخبار مالی یا تصاویر ماهواره ای برای تولید سیگنال های قابل تجارت کار کرد.این نشان می دهد که چگونه می توان ویژگی های مالی یا عوامل آلفا را مهندسی کرد که یک مدل ML را قادر می سازد بازده داده های قیمت را برای سهام ایالات متحده و بین المللی و ETF پیش بینی کند.همچنین نحوه ارزیابی محتوای سیگنال ویژگی های جدید با استفاده از مقادیر Alphalens و Shap را نشان می دهد و شامل یک ضمیمه جدید با بیش از صد نمونه عامل آلفا است.
در پایان ، شما در ترجمه پیش بینی های مدل ML به یک استراتژی معاملاتی که در افق های روزانه یا داخل بدن و در ارزیابی عملکرد آن کار می کند ، مهارت خواهید داشت.
آنچه یاد خواهید گرفت
داده های متنی و تصویر جایگزین بازار ، اساسی و جایگزین
عوامل آلفا را با استفاده از آمار ، آلفالن ها و مقادیر تراز تحقیق و ارزیابی کنید
تکنیک های یادگیری ماشین را برای حل مشکلات سرمایه گذاری و تجارت پیاده سازی کنید
پشتوانه و ارزیابی استراتژی های تجارت بر اساس یادگیری ماشین با استفاده از Zipline و Backtrader
ریسک و تجزیه و تحلیل عملکرد نمونه کارها را با استفاده از Pandas ، Numpy و Pyfolio بهینه کنید
یک استراتژی معاملاتی جفت را بر اساس ادغام برای سهام ایالات متحده و ETF ایجاد کنید
برای پیش بینی بازده داخلی با استفاده از معاملات و داده های با کیفیت بالا Algoseek ، یک مدل تقویت شیب را آموزش دهید
این کتاب برای چه کسی است
اگر شما یک تحلیلگر داده ، دانشمند داده ، توسعه دهنده پایتون ، تحلیلگر سرمایه گذاری یا مدیر نمونه کارها هستید که علاقه مند به دریافت دانش یادگیری ماشین برای تجارت هستید ، این کتاب برای شما مناسب است.این کتاب برای شما مناسب است اگر می خواهید یاد بگیرید که چگونه می توانید ارزش را از مجموعه متنوعی از منابع داده با استفاده از یادگیری ماشین برای طراحی استراتژی های تجاری سیستماتیک خود استخراج کنید.
درک برخی از تکنیک های یادگیری پایتون و ماشین مورد نیاز است.
فهرست مطالب
یادگیری ماشین برای تجارت – از ایده تا اجرای
بازار و داده های اساسی – منابع و تکنیک ها
داده های جایگزین برای امور مالی – دسته ها و موارد استفاده
مهندسی ویژگی های مالی – نحوه تحقیق در مورد عوامل آلفا
بهینه سازی نمونه کارها و ارزیابی عملکرد
فرایند یادگیری ماشین
مدل های خطی – از عوامل خطر تا بازگشت پیش بینی ها
گردش کار ML4T – از مدل تا استراتژی پشتی
مدل های سری زمانی برای پیش بینی نوسانات و داوری آماری
Bayesian ML – نسبت های Sharpe Dynamic و معاملات جفت
(N.B. لطفاً برای دیدن فصل های بعدی از گزینه Look Inside استفاده کنید)
| این محصول به صورت دانلودی می باشد و بلافاصله پس از پرداخت موفق قادر به دانلود خواهید بود |
| درج شماره موبایل برای سفارش ضروری نیست ولی ترجیح آن است درج گردد تا در صورت بروز مشکل اولین راه ارتباطی ما با شما باشد. |
|
چنانچه در دریافت محصول به هر دلیلی با مشکل روبرو شدید و مطمئن از پرداخت موفق وجه هستید به شماره تماس زیر نام، نام خانوادگی و نام محصول را پیامک بزنید تا لینک محصول سریعا برای شما ارسال گردد.
شماره تماس: 09395106248 |
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.