Ocena:
Książka jest dobrze oceniana za kompleksowe omówienie technik uczenia maszynowego stosowanych w handlu algorytmicznym, oferując szczegółowe przykłady i materiały uzupełniające. Jest jednak krytykowana za przestarzałe narzędzia, trudności w zrozumieniu i wyzwania związane z kodowaniem, które mogą utrudniać naukę.
Zalety:⬤ Kompleksowe i szczegółowe omówienie uczenia maszynowego dla handlu algorytmicznego.
⬤ Zawiera wiele praktycznych przykładów i materiałów uzupełniających, w tym darmowy plik PDF.
⬤ Autor odpowiada na zapytania w serwisie GitHub.
⬤ Dobra do głębokiego zrozumienia i praktycznych laboratoriów.
⬤ Dobre odniesienie zarówno dla początkujących, jak i zaawansowanych użytkowników.
⬤ Nieaktualne narzędzia i biblioteki wspomniane w książce nie są już wspierane.
⬤ Wiele przykładów kodu jest trudno dostępnych i trudnych do efektywnego wykorzystania.
⬤ Niektórzy czytelnicy uważają, że styl pisania jest niepotrzebnie skomplikowany i trudny do zrozumienia.
⬤ Książka może być zbyt gęsta, przez co trudna do przyswojenia.
⬤ Zgłoszono problemy z kontrolą jakości dotyczące fizycznego stanu książki.
(na podstawie 57 opinii czytelników)
Machine Learning for Algorithmic Trading - Second Edition
Wykorzystaj uczenie maszynowe do projektowania i testowania automatycznych strategii handlowych dla rzeczywistych rynków przy użyciu pand, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens i pyfolio.
Kluczowe cechy:
⬤ Projektowanie, szkolenie i ocena algorytmów uczenia maszynowego, które stanowią podstawę automatycznych strategii handlowych.
⬤ Tworzenie procesu badań i rozwoju strategii w celu zastosowania modelowania predykcyjnego do decyzji handlowych.
⬤ Wykorzystanie NLP i głębokiego uczenia się do wydobywania sygnałów handlowych z rynku i danych alternatywnych.
Opis książki:
Gwałtowny wzrost ilości danych cyfrowych zwiększył zapotrzebowanie na wiedzę specjalistyczną w zakresie strategii handlowych wykorzystujących uczenie maszynowe (ML). To poprawione i rozszerzone drugie wydanie pozwala budować i oceniać zaawansowane modele uczenia nadzorowanego, nienadzorowanego i wzmacniającego.
Książka ta wprowadza kompleksowe uczenie maszynowe do przepływu pracy handlowej, od pomysłu i inżynierii funkcji po optymalizację modelu, projektowanie strategii i testowanie wsteczne. Zilustrowano to na przykładach, począwszy od modeli liniowych i zespołów opartych na drzewach, a skończywszy na technikach głębokiego uczenia się z najnowocześniejszych badań.
Ta edycja pokazuje, jak pracować z danymi rynkowymi, fundamentalnymi i alternatywnymi, takimi jak dane tickowe, słupki minutowe i dzienne, dokumenty SEC, transkrypcje wezwań do zapłaty, wiadomości finansowe lub zdjęcia satelitarne w celu generowania sygnałów handlowych. Zilustrowano w nim, jak tworzyć cechy finansowe lub czynniki alfa, które umożliwiają modelowi ML przewidywanie zwrotów z danych cenowych dla amerykańskich i międzynarodowych akcji i funduszy ETF. Pokazuje również, jak ocenić zawartość sygnału nowych funkcji za pomocą wartości Alphalens i SHAP, a także zawiera nowy dodatek z ponad setką przykładów czynników alfa.
Pod koniec będziesz biegły w przekładaniu przewidywań modelu ML na strategię handlową, która działa w horyzoncie dziennym lub śróddziennym, oraz w ocenie jej wydajności.
Czego się nauczysz:
⬤ Wykorzystywać dane rynkowe, fundamentalne oraz alternatywne dane tekstowe i graficzne.
⬤ Badać i oceniać czynniki alfa przy użyciu statystyk, Alphalens i wartości SHAP.
⬤ Wdrażać techniki uczenia maszynowego w celu rozwiązywania problemów inwestycyjnych i handlowych.
⬤ Testowanie i ocena strategii handlowych opartych na uczeniu maszynowym przy użyciu Zipline i Backtrader.
⬤ Optymalizacja analizy ryzyka i wydajności portfela przy użyciu pand, NumPy i pyfolio.
⬤ Stworzenie strategii handlu parami opartej na kointegracji dla amerykańskich akcji i funduszy ETF.
⬤ Trenowanie modelu gradient boosting w celu przewidywania zwrotów w ciągu dnia przy użyciu wysokiej jakości danych AlgoSeek dotyczących transakcji i kwotowań.
Dla kogo jest ta książka:
Jeśli jesteś analitykiem danych, analitykiem danych, programistą Python, analitykiem inwestycyjnym lub menedżerem portfela zainteresowanym zdobyciem praktycznej wiedzy na temat uczenia maszynowego w handlu, ta książka jest dla Ciebie. Ta książka jest dla Ciebie, jeśli chcesz dowiedzieć się, jak wydobyć wartość z różnorodnego zestawu źródeł danych za pomocą uczenia maszynowego, aby zaprojektować własne systematyczne strategie handlowe.
Wymagana jest pewna znajomość języka Python i technik uczenia maszynowego.
