Ocena:
Książka jest wprowadzeniem do obliczeń finansowych, które obejmuje ważne koncepcje finansowe i matematykę, ale ma również kilka wad, w tym przestarzałe źródła danych, słabe przykłady kodowania i niewystarczające wsparcie praktycznego zastosowania. Otrzymał on mieszane recenzje, z których niektórzy chwalą jego przejrzystość i podejście do finansów ilościowych, podczas gdy inni krytykują go za brak głębi i niedostarczenie praktycznych narzędzi.
Zalety:⬤ Dobrze napisana i łatwa do naśladowania
⬤ Obejmuje ważne metody numeryczne i zaawansowane metodologie matematyczne w Pythonie
⬤ Zawiera wskazówki dotyczące budowania i testowania wstecznego algorytmicznych strategii handlowych
⬤ Przydatne dla praktyków w finansach ilościowych.
⬤ Nieaktualne źródła danych i poleganie na płatnych subskrypcjach przydatnych danych
⬤ # Brak szczegółowych przykładów programowania i wsparcia dla praktycznych zastosowań
⬤ # Niektóre błędy koncepcyjne zauważone przez recenzentów
⬤ # Niewystarczająco przyjazna dla początkujących
⬤ # # Brakuje ważnych sekcji i wsparcia kodowania dla baz danych.
(na podstawie 8 opinii czytelników)
Mastering Python for Finance - Second Edition: Implement advanced state-of-the-art financial statistical applications using Python
Przenieś swoje umiejętności finansowe na wyższy poziom, opanowując najnowocześniejsze matematyczne i statystyczne aplikacje finansowe
Kluczowe cechy
⬤ Zapoznaj się z zaawansowanymi modelami finansowymi używanymi w branży i sposobami ich rozwiązywania przy użyciu Pythona.
⬤ Zbuduj najnowocześniejszą infrastrukturę do modelowania, wizualizacji, handlu i nie tylko.
⬤ Wzmocnij swoje aplikacje finansowe poprzez zastosowanie uczenia maszynowego i głębokiego uczenia.
Opis książki
Druga edycja Mastering Python for Finance poprowadzi Cię przez wykonywanie złożonych obliczeń finansowych praktykowanych w branży finansowej przy użyciu metodologii nowej generacji. Opanujesz ekosystem Pythona, wykorzystując publicznie dostępne narzędzia do skutecznego przeprowadzania badań i modelowania oraz nauczysz się zarządzać ryzykiem za pomocą zaawansowanych przykładów.
Zaczniesz od skonfigurowania notatnika Jupyter, aby wdrożyć zadania w całej książce. Nauczysz się podejmować wydajne i potężne decyzje finansowe oparte na danych przy użyciu popularnych bibliotek, takich jak TensorFlow, Keras, Numpy, SciPy i sklearn. Dowiesz się również, jak tworzyć aplikacje finansowe, opanowując takie pojęcia jak akcje, opcje, stopy procentowe i ich pochodne oraz analiza ryzyka przy użyciu metod obliczeniowych. Dzięki tym podstawom nauczysz się stosować analizę statystyczną do danych szeregów czasowych i zrozumiesz, w jaki sposób dane szeregów czasowych są przydatne do wdrażania systemu backtestingu opartego na zdarzeniach oraz do pracy z danymi o wysokiej częstotliwości w budowaniu algorytmicznej platformy handlowej. Wreszcie, poznasz techniki uczenia maszynowego i głębokiego uczenia, które są stosowane w finansach.
Pod koniec tej książki będziesz w stanie zastosować Pythona do różnych paradygmatów w branży finansowej i przeprowadzić wydajną analizę danych.
Czego się nauczysz
⬤ Rozwiązywać liniowe i nieliniowe modele reprezentujące różne problemy finansowe.
⬤ Przeprowadzać analizę głównych składowych indeksu DOW i jego komponentów.
⬤ Analizować, przewidywać i prognozować stacjonarne i niestacjonarne procesy szeregów czasowych.
⬤ Stwórz narzędzie do backtestingu sterowanego zdarzeniami i mierz swoje strategie.
⬤ Zbuduj platformę handlu algorytmicznego o wysokiej częstotliwości za pomocą Pythona.
⬤ Powielenie indeksu CBOT VIX z opcjami SPX w celu zbadania strategii opartych na indeksie VIX.
⬤ Wykonywanie zadań uczenia maszynowego opartych na regresji i klasyfikacji w celu przewidywania.
⬤ Wykorzystanie TensorFlow i Keras w architekturze sieci neuronowych głębokiego uczenia.