دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Artificial Intelligence in Finance: A Python-Based Guide
دانلود کتاب هوش مصنوعی در امور مالی: راهنمای مبتنی بر پایتون
مشخصات کتاب
Artificial Intelligence in Finance: A Python-Based Guide
ویرایش: [1 ed.]
نویسندگان: Yves Hilpisch
سری:
ISBN (شابک) : 1492055433, 9781492055433
ناشر: O'Reilly Media
سال نشر: 2020
تعداد صفحات: 478
[477]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 24 Mb
قیمت کتاب (تومان) : 32,000
در صورت تبدیل فایل کتاب Artificial Intelligence in Finance: A Python-Based Guide به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی در امور مالی: راهنمای مبتنی بر پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب هوش مصنوعی در امور مالی: راهنمای مبتنی بر پایتون
بسیاری از صنایع با پذیرش گسترده هوش مصنوعی و یادگیری ماشین متحول شده اند. در دسترس بودن برنامه‌ای داده‌های مالی تاریخی و بلادرنگ در ترکیب با تکنیک‌های هوش مصنوعی و یادگیری ماشینی نیز صنعت مالی را به روشی اساسی تغییر خواهد داد. این کتاب کاربردی نحوه استفاده از هوش مصنوعی و یادگیری ماشینی را برای کشف ناکارآمدی های آماری در بازارهای مالی و بهره برداری از آنها از طریق معاملات الگوریتمی توضیح می دهد. نویسنده ایو هیلپیش به پزشکان، دانشجویان و دانشگاهیان در علوم مالی و داده نشان می دهد که چگونه الگوریتم های یادگیری ماشینی و عمیق را می توان در امور مالی به کار برد. به لطف بسیاری از نمونه های پایتون مستقل، می توانید تمام نتایج و ارقام ارائه شده در کتاب را تکرار کنید. بررسی اینکه چگونه داده ها در حال تغییر شکل مالی از یک رشته تئوری محور به یک رشته مبتنی بر داده است. درک احتمالات عمده، پیامدها و الزامات ناشی از AI-first finance. در ابزارها، مهارت ها و موارد استفاده اصلی برای به کارگیری هوش مصنوعی در خود را تامین مالی کنید استفاده از شبکه های عصبی و یادگیری تقویتی برای کشف ناکارآمدی های آماری در بازارهای مالی به مفاهیم تکینگی تکنولوژیکی و تکینگی مالی بپردازید.
توضیحاتی درمورد کتاب به خارجی
Many industries have been revolutionized by the widespread adoption of AI and machine learning. The programmatic availability of historical and real-time financial data in combination with techniques from AI and machine learning will also change the financial industry in a fundamental way. This practical book explains how to use AI and machine learning to discover statistical inefficiencies in financial markets and exploit them through algorithmic trading. Author Yves Hilpisch shows practitioners, students, and academics in both finance and data science how machine and deep learning algorithms can be applied to finance. Thanks to lots of self-contained Python examples, you\'ll be able to replicate all results and figures presented in the book. Examine how data is reshaping finance from a theory-driven to a data-driven discipline Understand the major possibilities, consequences, and resulting requirements of AI-first finance Get up to speed on the tools, skills, and major use cases to apply AI in finance yourself Apply neural networks and reinforcement learning to discover statistical inefficiencies in financial markets Delve into the concepts of the technological singularity and the financial singularity
فهرست مطالب
Cover Copyright Table of Contents Preface References Conventions Used in This Book Using Code Examples O’Reilly Online Learning How to Contact Us Acknowledgments Part I. Machine Intelligence Chapter 1. Artificial Intelligence Algorithms Types of Data Types of Learning Types of Tasks Types of Approaches Neural Networks OLS Regression Estimation with Neural Networks Classification with Neural Networks Importance of Data Small Data Set Larger Data Set Big Data Conclusions References Chapter 2. Superintelligence Success Stories Atari Go Chess Importance of Hardware Forms of Intelligence Paths to Superintelligence Networks and Organizations Biological Enhancements Brain-Machine Hybrids Whole Brain Emulation Artificial Intelligence Intelligence Explosion Goals and Control Superintelligence and Goals Superintelligence and Control Potential Outcomes Conclusions References Part II. Finance and Machine Learning Chapter 3. Normative Finance Uncertainty and Risk Definitions Numerical Example Expected Utility Theory Assumptions and Results Numerical Example Mean-Variance Portfolio Theory Assumptions and Results Numerical Example Capital Asset Pricing Model Assumptions and Results Numerical Example Arbitrage Pricing Theory Assumptions and Results Numerical Example Conclusions References Chapter 4. Data-Driven Finance Scientific Method Financial Econometrics and Regression Data Availability Programmatic APIs Structured Historical Data Structured Streaming Data Unstructured Historical Data Unstructured Streaming Data Alternative Data Normative Theories Revisited Expected Utility and Reality Mean-Variance Portfolio Theory Capital Asset Pricing Model Arbitrage Pricing Theory Debunking Central Assumptions Normally Distributed Returns Linear Relationships Conclusions References Python Code Chapter 5. Machine Learning Learning Data Success Capacity Evaluation Bias and Variance Cross-Validation Conclusions References Chapter 6. AI-First Finance Efficient Markets Market Prediction Based on Returns Data Market Prediction with More Features Market Prediction Intraday Conclusions References Part III. Statistical Inefficiencies Chapter 7. Dense Neural Networks The Data Baseline Prediction Normalization Dropout Regularization Bagging Optimizers Conclusions References Chapter 8. Recurrent Neural Networks First Example Second Example Financial Price Series Financial Return Series Financial Features Estimation Classification Deep RNNs Conclusions References Chapter 9. Reinforcement Learning Fundamental Notions OpenAI Gym Monte Carlo Agent Neural Network Agent DQL Agent Simple Finance Gym Better Finance Gym FQL Agent Conclusions References Part IV. Algorithmic Trading Chapter 10. Vectorized Backtesting Backtesting an SMA-Based Strategy Backtesting a Daily DNN-Based Strategy Backtesting an Intraday DNN-Based Strategy Conclusions References Chapter 11. Risk Management Trading Bot Vectorized Backtesting Event-Based Backtesting Assessing Risk Backtesting Risk Measures Stop Loss Trailing Stop Loss Take Profit Conclusions References Python Code Finance Environment Trading Bot Backtesting Base Class Backtesting Class Chapter 12. Execution and Deployment Oanda Account Data Retrieval Order Execution Trading Bot Deployment Conclusions References Python Code Oanda Environment Vectorized Backtesting Oanda Trading Bot Part V. Outlook Chapter 13. AI-Based Competition AI and Finance Lack of Standardization Education and Training Fight for Resources Market Impact Competitive Scenarios Risks, Regulation, and Oversight Conclusions References Chapter 14. Financial Singularity Notions and Definitions What Is at Stake? Paths to Financial Singularity Orthogonal Skills and Resources Scenarios Before and After Star Trek or Star Wars Conclusions References Part VI. Appendixes Appendix A. Interactive Neural Networks Tensors and Tensor Operations Simple Neural Networks Estimation Classification Shallow Neural Networks Estimation Classification References Appendix B. Neural Network Classes Activation Functions Simple Neural Networks Estimation Classification Shallow Neural Networks Estimation Classification Predicting Market Direction Appendix C. Convolutional Neural Networks Features and Labels Data Training the Model Testing the Model Resources Index About the Author Colophon
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Das frühmittelalterliche Königtum: Ideelle und religiöse Grundlagen
