دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Ryzhov. Pavel
سری:
ISBN (شابک) : 9781782169437, 178216944X
ناشر: Packt Publishing
سال نشر: 2013
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی داده های مالی هسکل و تجزیه و تحلیل پیش بینی: امور مالی--مدل های اقتصادسنجی،مالی--مدل های ریاضی،مالی--مدل های اقتصادسنجی،مالی--مدل های ریاضی
در صورت تبدیل فایل کتاب Haskell Financial Data Modeling and Predictive Analytics 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 مدل سازی داده های مالی هسکل و تجزیه و تحلیل پیش بینی 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.
این کتاب یک راهنمای عملی است که به خوانندگان می آموزد که چگونه از ابزارها و کتابخانه های Haskell برای تجزیه و تحلیل داده ها از منابع دنیای واقعی به روشی آسان و قابل درک استفاده کنند. این کتاب برای توسعه دهندگانی است که در مدل سازی داده های مالی با استفاده از Haskell جدید هستند. . دانش اولیه برنامه نویسی تابعی مورد نیاز نیست اما مفید خواهد بود. علاقه به امور مالی با فرکانس بالا ضروری است.
This book is a hands-on guide that teaches readers how to use Haskell's tools and libraries to analyze data from real-world sources in an easy-to-understand manner.This book is great for developers who are new to financial data modeling using Haskell. A basic knowledge of functional programming is not required but will be useful. An interest in high frequency finance is essential.
Content: Cover
Copyright
Credits
About the Author
About the Reviewers
www.PacktPub.com
Table of Contents
Preface
Chapter 1: Getting Started with Haskell Platform
The Haskell platform
Quick tour of Haskell
Laziness
Functions as first-class citizens
Datatypes
Type classes
Pattern matching
Monads
The IO monad
Summary
Chapter 2: Getting Your Hands Dirty
The domain model
The Attoparsec library
Parsing plain text files
Parsing files in applicative style
Outlier detection
Essential mathematical packages
Grubb\'s test for outliers. Template Haskell, quasiquotes, type families and GADTsPersistent ORM framework
Declaring entities
Inserting and updating data
Fetching data
Summary
Chapter 3: Measuring Tick Intervals
Point process
Counting process
Durations
Experimental durations
Maximum likelihood estimation
Generic MLE implementation
Poisson process calibration
MLE estimation
Akaike information criterion
Haskell implementation
Renewal process calibration
MLE estimation
Cox process calibration
MLE estimation
Model selection
The secant root finding algorithm
The QuickCheck test framework. QuickCheck test data modifiersSummary
Chapter 4: Going Autoregressive
The ARMA model definition
The Kalman filter
Matrix manipulation libraries in Haskell
HMatrix basics
The Kalman filter in Haskell
The state space model for ARMA
ARMA in Haskell
ACD model extension
Experimental conditional durations
The Autocorrelation function
Stream fusion
Autocorrelation plot
QML estimation
State space model for ACD
Summary
Chapter 5: Volatility
Historic volatility estimators
Volatility estimator framework
Alternative volatility estimators
The Parkinson\'s number. The Garman-Klass estimatorThe Rogers-Satchel estimator
The Yang-Zhang estimator
Choosing a volatility estimator
The variation ratio method
Forecasting volatility
The GARCH (1,1) model
Maximum likelihood estimation of parameters
Implementation details
Parallel computations
Code benchmarking
Haskell Run-Time System
The divide and conquer approach
GARCH code in parallel
Evaluation strategy
Summary
Chapter 6: Advanced Cabal
Common usage
Packaging with Cabal
Cabal in sandbox
Summary
Appendix: References
Index.