ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

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

دانلود کتاب پیاده‌سازی یادگیری ماشینی برای امور مالی: رویکردی سیستماتیک برای تحلیل ریسک و عملکرد پیش‌بینی‌کننده برای پرتفوی سرمایه‌گذاری

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

مشخصات کتاب

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

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1484271092, 9781484271094 
ناشر: Apress 
سال نشر: 2021 
تعداد صفحات: 192 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 44,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios 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 پیاده‌سازی یادگیری ماشینی برای امور مالی: رویکردی سیستماتیک برای تحلیل ریسک و عملکرد پیش‌بینی‌کننده برای پرتفوی سرمایه‌گذاری 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 پیاده‌سازی یادگیری ماشینی برای امور مالی: رویکردی سیستماتیک برای تحلیل ریسک و عملکرد پیش‌بینی‌کننده برای پرتفوی سرمایه‌گذاری

سطح کاربری متوسط-پیشرفته


توضیحاتی درمورد کتاب به خارجی

Intermediate-Advanced user level



فهرست مطالب

Table of Contents
About the Author
About the Technical Reviewer
Acknowledgments
Introduction
Chapter 1: Introduction to Financial Markets and Algorithmic Trading
	FX Market
		Exchange Rate
			Exchange Rates Quotation
		Exchange Rate Movement
		Bids and Offers
			The Left Bid and Right Offer Rule
		The Interbank Market
		The Retail Market
			Brokerage
				Desk Dealing Brokers
				No Desk Dealing Brokers
					Electronic Communications Network Brokers
					Straight-Through Processing Brokers
		Understanding Leverage and Margin
		The Contract for Difference Trading
	The Share Market
		Raising Capital
			Public Listing
			Stock Exchange
			Share Trading
		Stocks Index
	Speculative Nature of the Market
		Techniques for Speculating Market Movement
	Investment Strategy Management Process
		Strategy Formulation
		Modeling
			Supervised Learning
				The Parametric Method
				The Nonparametric Method
					Binary Classification
					Multiclass Classification
				The Ensemble Method
			Unsupervised Learning
				Dimension Reduction
				Cluster Analysis
		Backtesting
		Strategy Implementation
		Strategy Evaluation
	Algorithmic Trading
Chapter 2: Forecasting Using ARIMA, SARIMA, and the Additive Model
	Time Series in Action
	Split Data into Training and Test Data
	Test for White Noise
	Test for Stationary
		Autocorrelation Function
		Partial Autocorrelation Function
	The Moving Average Smoothing Technique
	The Exponential Smoothing Technique
	Rate of Return
	The ARIMA Model
		ARIMA Hyperparameter Optimization
	Develop the ARIMA Model
		Forecast Using the ARIMA Model
	The SARIMA Model
		SARIMA Hyperparameter Optimization
		Develop a SARIMA Model
		Forecast Using the ARIMA Model
	The Additive Model
		Forecast
		Seasonal Decomposition
	Conclusion
Chapter 3: Univariate Time Series Using Recurrent Neural Nets
	What Is Deep Learning?
	Activation Function
	Loss Function
	Optimize an Artificial Neural Network
	The Sequential Data Problem
	The RNN Model
	The Recurrent Neural Network Problem
	The LSTM Model
		Gates
	Unfolded LSTM Network
	Stacked LSTM Network
	Develop an LSTM Model Using Keras
	Forecasting Using the LTSM
	Model Evaluation
	Conclusion
Chapter 4: Discover Market Regimes
	HMM
		HMM Application in Finance
	Develop a GaussianHMM
	Gaussian Hidden Markov
	Mean and Variance
		Expected Returns and Volumes
	Conclusions
Chapter 5: Stock Clustering
	Investment Portfolio Diversification
	Stock Market Volatility
	K-Means Clustering
		K-Means in Practice
	Conclusions
Chapter 6: Future Price Prediction Using Linear Regression
	Linear Regression in Practice
	Correlation Methods
		The Pearson Correlation Method
	The Covariance Method
	Pairwise Scatter Plots
	Eigen Matrix
	Further Descriptive Statistics
		Develop the Least Squares Model
		Model Evaluation
	Conclusion
Chapter 7: Stock Market Simulation
	Understanding Value at Risk
		Estimate VAR by Applying the Variance-Covariance Method
	Understanding Monte Carlo
		Application of Monte Carlo Simulation in Finance
	Run Monte Carlo Simulation
	Plot Simulations
	Conclusions
Chapter 8: Market Trend Classification Using ML and DL
	Classification in Practice
	Data Preprocessing
	Logistic Regression
		Develop the Logistic Classifier
			Evaluate a Logistic Classifier
				Confusion Matrix
				Classification Report
				ROC Curve
		Learning Curve
	Multilayer Layer Perceptron
	Architecture
		Finalize the Model
			Training and Validation Loss Across Epochs
			Training and Validation Accuracy Across Epochs
	Conclusions
Chapter 9: Investment Portfolio and Risk Analysis
	Investment Risk Analysis
	Pyfolio in Action
		Performance Statistics
		Drawback
		Rate of Returns
			Annual Rate of Return
		Rolling Returns
			Monthly Rate of Returns
	Conclusions
Index




نظرات کاربران