دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Detecting regime change in computational finance: data science, machine learning and algorithmic trading
دانلود کتاب تشخیص تغییر رژیم در امور مالی محاسباتی: علم داده، یادگیری ماشین و تجارت الگوریتمی
مشخصات کتاب
Detecting regime change in computational finance: data science, machine learning and algorithmic trading
ویرایش: [First edition] نویسندگان: Chen. Jun, Tsang. Edward سری: ISBN (شابک) : 9781003087595, 9781000220261 ناشر: CRC Press سال نشر: 2021 تعداد صفحات: xxvi, 138 pages) : illustrations زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
قیمت کتاب (تومان) : 52,000
در صورت تبدیل فایل کتاب Detecting regime change in computational finance: data science, machine learning and algorithmic trading 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 تشخیص تغییر رژیم در امور مالی محاسباتی: علم داده، یادگیری ماشین و تجارت الگوریتمی 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 تشخیص تغییر رژیم در امور مالی محاسباتی: علم داده، یادگیری ماشین و تجارت الگوریتمی
"بر اساس تحقیقات بین رشته ای در "تغییر جهت"، یک رویکرد داده محور جدید برای تجزیه و تحلیل داده های مالی، تشخیص تغییر رژیم در امور مالی محاسباتی: علم داده، یادگیری ماشین و تجارت الگوریتمی، یادگیری ماشین را برای نظارت بر بازار مالی و الگوریتمی اعمال می کند. تغییر جهت یک روش جدید برای خلاصه کردن تغییرات قیمت در بازار است. به جای نمونه برداری از قیمت ها در بازه های زمانی ثابت (مانند بسته شدن روزانه در سری های زمانی)، زمانی که بازار تغییر جهت می دهد ("زیگزاگ") از قیمت ها نمونه برداری می کند. با نمونه‌برداری از داده‌ها به روشی متفاوت، کتاب مفاهیمی را بیان می‌کند که امکان استخراج اطلاعاتی را فراهم می‌کند که سایر فعالان بازار ممکن است نتوانند آن‌ها را ببینند. سری زمانی، حرکات قیمت در یک بازار را می توان به عنوان تغییرات جهت دار خلاصه کرد: یادگیری ماشین برای تشخیص تغییر رژیم: تغییرات رژیم تاریخی در یک بازار را می توان با مدل پنهان مارکوف کشف کرد. تحت نظارت بازار تغییر جهت‌دار تعریف شده است: با استفاده از ویژگی‌های تاریخی رژیم‌های عادی و غیرعادی، می‌توان بازار را برای تشخیص اینکه آیا رژیم بازار تغییر کرده است یا خیر، نظارت کرد. محققان در امور مالی محاسباتی، یادگیری ماشین، و علم داده \"--;پیمایش پیشینه و ادبیات - تشخیص تغییر رژیم با استفاده از شاخص‌های تغییر جهت - طبقه‌بندی رژیم‌های عادی و غیرعادی در بازارهای مالی - ردیابی تغییرات رژیم با استفاده از شاخص‌های تغییر جهت - - معاملات الگوریتمی بر اساس ردیابی تغییر رژیم.
توضیحاتی درمورد کتاب به خارجی
"Based on interdisciplinary research into "Directional Change", a new data-driven approach to financial data analysis, Detecting Regime Change in Computational Finance: Data Science, Machine Learning and, Algorithmic Trading applies machine learning to financial market monitoring and algorithmic trading. Directional Change is a new way of summarizing price changes in the market. Instead of sampling prices at fixed intervals (such as daily closing in time series), it samples prices when the market changes direction ("zigzag"). By sampling data in a different way, the book lays out concepts which enable the extraction of information that other market participants may not be able to see. The book includes a Foreword by Richard Olsen and explores the following topics: Data science: as an alternative to time series, price movements in a market can be summarised as directional changes Machine learning for regime change detection: historical regime changes in a market can be discovered by a Hidden Markov Model Regime characterisation: normal and abnormal regimes in historical data can be characterised using indicators defined under Directional Change Market Monitoring: by using historical characteristics of normal and abnormal regimes, one can monitor the market to detect whether the market regime has changed Algorithmic trading: regime tracking information can help us to design trading algorithms It will be of great interest to researchers in computational finance, machine learning, and data science"--;Background and literature survey -- Regime change detection using directional change indicators -- Classification of normal and abnormal regimes in financial markets -- Tracking regime changes using directional change indicators -- Algorithmic trading based on regime change tracking.
فهرست مطالب
Cover......Page 1
Half Title......Page 2
Title Page......Page 4
Copyright Page......Page 5
Table of Contents......Page 6
Foreword......Page 12
Preface......Page 20
List of Figures......Page 22
List of Tables......Page 26
1.1 Overview......Page 28
1.2 Research Objectives......Page 29
1.3 Book Structure......Page 31
2.1 Regime Change......Page 32
2.1.1 Regime Change Detection Methods......Page 33
2.2 Directional Change......Page 34
2.2.1 The Concept of Directional Change......Page 36
2.2.2 Research Using Directional Change......Page 38
2.2.3.2 Time for Completion of a Trend......Page 39
2.3.1 Hidden Markov Model......Page 40
2.3.1.2 Parameters of HMM......Page 42
2.3.1.3 Expectation-Maximization Algorithm......Page 43
2.3.2 Naïve Bayes Classifier......Page 44
2.3.2.1 Definition of Naïve Bayes Classifier......Page 45
Chapter 3 Regime Change Detection Using Directional Change Indicators......Page 48
3.1 Introduction......Page 49
3.2 Methodology......Page 52
3.2.1 DC Indicator......Page 53
3.2.2 Time Series Indicator......Page 54
3.4 Empirical Results......Page 55
3.4.1 EUR–GBP......Page 56
3.4.2 GBP–USD......Page 58
3.4.3 EUR–USD......Page 60
3.4.5 Discussion......Page 62
3.5 Conclusion......Page 64
Chapter 4 Classification of Normal and Abnormal Regimes in Financial Markets......Page 66
4.1 Introduction......Page 67
4.2.1 Summarising Financial Data in DC......Page 68
4.2.2 Detecting Regime Changes through HMM......Page 70
4.2.3 Comparing Market Regimes in an Indicator Space......Page 71
4.3 Empirical Study......Page 72
4.3.1 Data Sets......Page 73
4.3.3 Detecting Regime Changes under HMM......Page 74
4.3.4 Observing Market Regimes in the Normalised Indicator Space......Page 75
4.4 Results and Discussions......Page 77
4.4.1 Market Regimes in the Indicator Space......Page 78
4.4.2 Market Regimes under Different Thresholds......Page 79
4.4.3 Discussion......Page 81
4.5 Conclusions......Page 83
Chapter 5 Tracking Regime Changes Using Directional Change Indicators......Page 86
5.1 Introduction......Page 87
5.2.1 Tracking DC Trends......Page 88
5.2.2 Use of a Naïve Bayes Classifier......Page 89
5.3.1 Data......Page 92
5.4 Empirical Results......Page 93
5.4.1 Calculating Probability......Page 95
5.4.2 B-Simple for Regime Classification......Page 96
5.4.3 B-Strict for Regime Classification......Page 97
5.4.4.1 Tracked Regime Changes on DJIA Index......Page 98
5.4.4.2 Tracked Regime Changes on FTSE 100 Index......Page 100
5.4.5 Discussion......Page 101
5.5 Conclusion......Page 103
6.1 Overview......Page 106
6.2.1 Regime Tracking Information......Page 107
6.2.2 Trading Algorithm JC1......Page 108
6.2.4 Control Algorithm CT1......Page 110
6.3.2 Experimental Parameters......Page 111
6.3.3 Money Management......Page 112
6.4.1 Number of Trades......Page 113
6.4.2 Final Wealth......Page 114
6.4.3 Maximum Drawdown......Page 115
6.5.1 The Primary Goals Are Achieved......Page 116
6.6 Conclusions......Page 117
7.1 Summary of Work Done......Page 120
7.2 Take-Home Messages......Page 124
7.3 Future Research......Page 125
7.3.1 Research Directions......Page 126
Appendix A A Formal Definition of Directional Change......Page 128
Appendix B Extended Results of Chapter 3......Page 134
Appendix C Experiment Summary of Chapter 4......Page 138
Appendix D Detected Regime Changes in Chapter 4......Page 146
Bibliography......Page 150
Index......Page 156
نظرات کاربران
کتاب های تصادفی
دانلود کتاب CCSP Cisco Secure PIX firewall advanced exam certification guide: CCSP self-study
دانلود کتاب Folk songs of the Catskills
دانلود کتاب Fuel and Fuel System Microbiology, Fundamentals, Diagnosis, and Contamination Control
دانلود کتاب A vontade das coisas: o animismo e os objetos
