Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i wydajności portfeli inwestycyjnych

Ocena:   (3,0 na 5)

Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i wydajności portfeli inwestycyjnych (Chris Nokeri Tshepo)

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios

Zawartość książki:

Połączenie uczenia maszynowego (ML) i głębokiego uczenia (DL) w handlu finansowym, z naciskiem na zarządzanie inwestycjami. Książka ta wyjaśnia systematyczne podejścia do zarządzania portfelem inwestycyjnym, analizy ryzyka i analizy wyników, w tym analizy predykcyjnej z wykorzystaniem procedur nauki o danych.

Książka wprowadza rozpoznawanie wzorców i prognozowanie przyszłych cen, które ma wpływ na modele analizy szeregów czasowych, takie jak model autoregresyjnej zintegrowanej średniej ruchomej (ARIMA), model sezonowej ARIMA (SARIMA) i model addytywny, a także obejmuje model najmniejszych kwadratów i model długiej pamięci krótkotrwałej (LSTM). Przedstawia ukryte rozpoznawanie wzorców i przewidywanie reżimu rynkowego przy użyciu Gaussowskiego Ukrytego Modelu Markowa. Książka obejmuje praktyczne zastosowanie modelu K-Means w grupowaniu akcji. Przedstawia praktyczne zastosowanie metody wariancji-kowariancji i metody symulacyjnej (z wykorzystaniem symulacji Monte Carlo) do szacowania wartości zagrożonej. Obejmuje również klasyfikację kierunku rynku przy użyciu zarówno klasyfikatora logistycznego, jak i wielowarstwowego perceptronu. Wreszcie, książka przedstawia analizę wyników i ryzyka dla portfeli inwestycyjnych.

Pod koniec tej książki powinieneś być w stanie wyjaśnić, jak działa handel algorytmiczny i jego praktyczne zastosowanie w świecie rzeczywistym, a także wiedzieć, jak stosować nadzorowane i nienadzorowane modele ML i DL w celu wzmocnienia podejmowania decyzji inwestycyjnych oraz wdrażania i optymalizacji strategii i systemów inwestycyjnych.

Czego się nauczysz

⬤ Zrozumieć podstawy rynku finansowego i handlu algorytmicznego, a także nadzorowane i nienadzorowane modele uczenia się, które są odpowiednie do systematycznego zarządzania portfelem inwestycyjnym.

⬤ Znać koncepcje inżynierii cech, wizualizacji danych i optymalizacji hiperparametrów.

⬤ Projektować, budować i testować nadzorowane i nienadzorowane modele ML i DL.

⬤ Odkrywać sezonowość, trendy i reżimy rynkowe, symulować zmiany na rynku i problemy związane ze strategią inwestycyjną oraz przewidywać kierunek i ceny rynkowe.

⬤ Skonstruować i zoptymalizować portfel inwestycyjny z wykorzystaniem najważniejszych klas aktywów i zmierzyć związane z nimi ryzyko.

Dla kogo jest ta książka

Początkujący i średniozaawansowani naukowcy zajmujący się danymi, inżynierowie uczenia maszynowego, dyrektorzy biznesowi i specjaliści finansowi (tacy jak analitycy inwestycyjni i handlowcy).

Dodatkowe informacje o książce:

ISBN:9781484271094
Autor:
Wydawca:
Oprawa:Miękka oprawa
Rok wydania:2021
Liczba stron:182

Zakup:

Obecnie dostępne, na stanie.

Inne książki autora:

Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i...
Połączenie uczenia maszynowego (ML) i głębokiego...
Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i wydajności portfeli inwestycyjnych - Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios
Data Science Revealed: Inżynieria cech, wizualizacja danych, rozwój potoków i dostrajanie...
Sekcja 1: Metody parametryczneRozdział 1: Wprowadzenie do...
Data Science Revealed: Inżynieria cech, wizualizacja danych, rozwój potoków i dostrajanie hiperparametrów - Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Ekonometria i nauka o danych: Zastosowanie technik Data Science do modelowania złożonych problemów i...
Poznaj zastosowanie metod uczenia maszynowego w...
Ekonometria i nauka o danych: Zastosowanie technik Data Science do modelowania złożonych problemów i wdrażania rozwiązań dla problemów ekonomicznych - Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib,...
Zastosuj uczenie nadzorowane i nienadzorowane do...
Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib, H2O, XGBoost i Scikit-Learn - Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Sztuczna inteligencja w naukach medycznych i psychologii: Z zastosowaniem języka maszynowego, wizji...
Rozpocznij przygodę ze sztuczną inteligencją w...
Sztuczna inteligencja w naukach medycznych i psychologii: Z zastosowaniem języka maszynowego, wizji komputerowej i technik Nlp - Artificial Intelligence in Medical Sciences and Psychology: With Application of Machine Language, Computer Vision, and Nlp Techniques
Tworzenie aplikacji internetowych i analityka internetowa w czasie rzeczywistym z Pythonem:...
Dowiedz się, jak tworzyć i wdrażać pulpity nawigacyjne...
Tworzenie aplikacji internetowych i analityka internetowa w czasie rzeczywistym z Pythonem: Tworzenie i integracja algorytmów uczenia maszynowego w aplikacjach internetowych - Web App Development and Real-Time Web Analytics with Python: Develop and Integrate Machine Learning Algorithms Into Web Apps

Prace autora wydały następujące wydawnictwa:

© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)