Financial Signal Processing and Machine Learning

ویرایش: [1 ed.] 
نویسندگان: Ali N. Akansu,  Sanjeev R. Kulkarni,  Dmitry M. Malioutov  
سری:  
ISBN (شابک) : 1118745671, 9781118745670 
ناشر: Wiley-IEEE Press 
سال نشر: 2016 
تعداد صفحات: 320 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 34 Mb 

قیمت کتاب (تومان) : 67,000

صنعت مالی مدرن ملزم به برخورد با پرتفوی های بزرگ و متنوع در انواع دارایی ها است که اغلب با داده های بازار محدود در دسترس است. پردازش سیگنال مالی و یادگیری ماشین تعدادی از پیشرفت‌های اخیر در پردازش سیگنال و یادگیری ماشین برای طراحی و مدیریت پورتفولیوهای سرمایه‌گذاری و مهندسی مالی را متحد می‌کند. این کتاب شکاف بین این رشته‌ها را پر می‌کند و آخرین اطلاعات را در مورد موضوعات کلیدی از جمله توصیف وابستگی آماری و همبستگی در ابعاد بالا، ایجاد معیارهای ریسک مؤثر و قوی، و استفاده از آنها در بهینه‌سازی و تعادل مجدد پورتفولیو ارائه می‌کند. این کتاب بر روی رویکردهای پردازش سیگنال برای مدل‌سازی بازگشت، تکانه و بازگشت میانگین تمرکز دارد و جنبه‌های نظری و اجرایی را مورد توجه قرار می‌دهد. این ارتباط بین تئوری پورتفولیو، یادگیری پراکنده و سنجش فشرده، نمونه کارها خاص، بهینه‌سازی قوی، معیارهای ریسک داده‌محور غیر گاوسی، مدل‌های گرافیکی، تجزیه و تحلیل علی از طریق مدل‌سازی زمانی-علی، و رویکردهای مبتنی بر کوپولا در مقیاس بزرگ را برجسته می‌کند. .

ویژگی‌های کلیدی:

• پردازش سیگنال و یادگیری ماشین را به‌عنوان رویکردهای کلیدی برای تامین مالی کمی برجسته می‌کند.
• ابزارهای ریاضی پیشرفته‌ای را برای ساخت، نظارت، و سبد سهام با ابعاد بالا ارائه می‌دهد. مشکلات تجزیه و تحلیل پس از تجارت.
• تئوری پورتفولیو، یادگیری پرتفوی و سنجش فشرده، روش های پراکندگی پرتفوی سرمایه گذاری را ارائه می دهد. شامل پورتفولیوهای ویژه، بازده مدل، مومنتوم، بازگشت میانگین و معیارهای ریسک داده محور غیر گاوسی با کاربردهای واقعی این تکنیک‌ها.
• شامل مشارکت‌های محققان و متخصصان برجسته در سیگنال و اطلاعات است. جوامع پردازش، و جامعه مالی کمی.

The modern financial industry has been required to deal with large and diverse portfolios in a variety of asset classes often with limited market data available. Financial Signal Processing and Machine Learning unifies a number of recent advances made in signal processing and machine learning for the design and management of investment portfolios and financial engineering. This book bridges the gap between these disciplines, offering the latest information on key topics including characterizing statistical dependence and correlation in high dimensions, constructing effective and robust risk measures, and their use in portfolio optimization and rebalancing. The book focuses on signal processing approaches to model return, momentum, and mean reversion, addressing theoretical and implementation aspects. It highlights the connections between portfolio theory, sparse learning and compressed sensing, sparse eigen-portfolios, robust optimization, non-Gaussian data-driven risk measures, graphical models, causal analysis through temporal-causal modeling, and large-scale copula-based approaches.

Key features:

• Highlights signal processing and machine learning as key approaches to quantitative finance.
• Offers advanced mathematical tools for high-dimensional portfolio construction, monitoring, and post-trade analysis problems.
• Presents portfolio theory, sparse learning and compressed sensing, sparsity methods for investment portfolios. including eigen-portfolios, model return, momentum, mean reversion and non-Gaussian data-driven risk measures with real-world applications of these techniques.
• Includes contributions from leading researchers and practitioners in both the signal and information processing communities, and the quantitative finance community.