Ocena:
Książka na temat handlu algorytmicznego jest ogólnie dobrze oceniana, szczególnie dla osób z doświadczeniem w Pythonie i uczeniu maszynowym. Mimo, że kompleksowo omawia wiele istotnych tematów, cierpi z powodu brakujących rozdziałów, błędów w kodzie i braku bezpośrednich instrukcji dotyczących stosowania uczenia maszynowego w handlu. Pomimo tych problemów, wielu czytelników docenia praktyczne spostrzeżenia autora.
Zalety:Książka jest dobrze skonstruowana i logicznie zorganizowana, zapewniając kompleksowe omówienie koncepcji uczenia maszynowego w kontekście handlu algorytmicznego. Zawiera praktyczne przykłady i repozytorium GitHub dla zaktualizowanego kodu, demonstrując wiedzę autora w tej dziedzinie. Wielu czytelników uznało ją za przydatną do nauki i integracji teorii z praktycznymi zastosowaniami.
Wady:Książka wymaga wcześniejszej znajomości Pythona i uczenia maszynowego, a niektórzy czytelnicy zgłaszali brakujące rozdziały i nieaktualny kod powodujący błędy. Dodatkowo, jest ona postrzegana bardziej jako przegląd niż dogłębnie instruktażowy tekst, który może nie spełniać potrzeb zupełnie początkujących. Niektóre ilustracje, takie jak wykresy, mają problemy z czytelnością ze względu na brak kolorów.
(na podstawie 21 opinii czytelników)
Hands-On Machine Learning for Algorithmic Trading
Poznaj skuteczne strategie handlowe na rzeczywistych rynkach przy użyciu NumPy, spaCy, pandas, scikit-learn i Keras
Kluczowe cechy:
⬤ Wdrażanie algorytmów uczenia maszynowego w celu budowania, trenowania i walidacji modeli algorytmicznych.
⬤ Tworzenie własnego procesu projektowania algorytmów w celu zastosowania probabilistycznych podejść uczenia maszynowego do decyzji handlowych.
⬤ Tworzenie sieci neuronowych do handlu algorytmicznego w celu prognozowania szeregów czasowych i inteligentnej analizy.
Opis książki:
Gwałtowny wzrost ilości danych cyfrowych zwiększył zapotrzebowanie na wiedzę specjalistyczną w zakresie strategii handlowych wykorzystujących uczenie maszynowe (ML). Ta książka umożliwia korzystanie z szerokiej gamy nadzorowanych i nienadzorowanych algorytmów do wydobywania sygnałów z szerokiej gamy źródeł danych i tworzenia potężnych strategii inwestycyjnych.
Ta książka pokazuje, jak uzyskać dostęp do danych rynkowych, fundamentalnych i alternatywnych za pośrednictwem interfejsu API lub skrobania stron internetowych i oferuje ramy do oceny danych alternatywnych. Przećwiczysz proces ML od projektowania modelu, definicji metryki strat i dostrajania parametrów po ocenę wydajności w kontekście szeregów czasowych. Zrozumiesz algorytmy uczenia maszynowego, takie jak metody bayesowskie i zespołowe oraz uczenie wielorakie, a także dowiesz się, jak trenować i dostrajać te modele za pomocą pand, statsmodels, sklearn, PyMC3, xgboost, lightgbm i catboost. Książka ta uczy również, jak wyodrębniać funkcje z danych tekstowych za pomocą spaCy, klasyfikować wiadomości i przypisywać oceny nastrojów, a także używać gensim do modelowania tematów i uczenia się osadzania słów z raportów finansowych. Będziesz także budować i oceniać sieci neuronowe, w tym RNN i CNN, przy użyciu Keras i PyTorch, aby wykorzystać nieustrukturyzowane dane do zaawansowanych strategii.
Wreszcie, zastosujesz uczenie transferowe do zdjęć satelitarnych w celu przewidywania aktywności gospodarczej i wykorzystasz uczenie ze wzmocnieniem do tworzenia agentów, którzy uczą się handlować w OpenAI Gym.
Czego się nauczysz:
⬤ Wdrażać techniki uczenia maszynowego do rozwiązywania problemów inwestycyjnych i handlowych.
⬤ Wykorzystywać dane rynkowe, fundamentalne i alternatywne do badania czynników alfa.
⬤ Projektowanie i dostrajanie nadzorowanych, nienadzorowanych i wzmacniających modeli uczenia się.
⬤ Optymalizacja ryzyka portfela i wydajności przy użyciu pand, NumPy i scikit-learn.
⬤ Zintegruj modele uczenia maszynowego ze strategią handlową na żywo w Quantopian.
⬤ Ocena strategii przy użyciu niezawodnych metod testowania wstecznego dla szeregów czasowych.
⬤ Projektowanie i ocena głębokich sieci neuronowych przy użyciu Keras, PyTorch i TensorFlow.
⬤ Praca z uczeniem ze wzmocnieniem dla strategii handlowych w OpenAI Gym.
Dla kogo jest ta książka:
Książka Hands-On Machine Learning for Algorithmic Trading przeznaczona jest dla analityków danych, analityków danych i programistów Pythona, a także analityków inwestycyjnych i zarządzających portfelem pracujących w branży finansowej i inwestycyjnej. Jeśli chcesz prowadzić skuteczny handel algorytmiczny, opracowując inteligentne strategie badawcze z wykorzystaniem algorytmów uczenia maszynowego, ta książka jest dla Ciebie. Pewna znajomość języka Python i technik uczenia maszynowego jest obowiązkowa.
