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: 2
نویسندگان: Stefan Jansen
سری:
ISBN (شابک) : 9781839216787, 1839216786
ناشر: Packt Publishing Ltd
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 27 مگابایت
در صورت تبدیل فایل کتاب Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd Edition 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 یادگیری ماشینی برای تجارت الگوریتمی: مدل های پیش بینی برای استخراج سیگنال از بازار و داده های جایگزین برای استراتژی های معاملاتی سیستماتیک با Python ، نسخه 2 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.
از یادگیری ماشینی برای طراحی و آزمایش مجدد استراتژیهای معاملاتی خودکار برای بازارهای دنیای واقعی با استفاده از پانداها، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، Backtrader، Alphalens و pyfolio استفاده کنید. ویژگیهای کلیدی طراحی، آموزش و ارزیابی الگوریتمهای یادگیری ماشینی که زیربنای استراتژیهای معاملاتی خودکار هستند ایجاد یک فرآیند تحقیق و توسعه استراتژی برای اعمال مدلسازی پیشبینیکننده در تصمیمگیریهای معاملاتی استفاده از NLP و یادگیری عمیق برای استخراج سیگنالهای قابل معامله از بازار و دادههای جایگزین شرح کتاب رشد انفجاری داده های دیجیتال تقاضا برای تخصص در استراتژی های معاملاتی که از یادگیری ماشین (ML) استفاده می کنند، افزایش داده است. این ویرایش دوم اصلاح شده و توسعه یافته شما را قادر می سازد تا مدل های یادگیری پیشرفته تحت نظارت، بدون نظارت و تقویتی را بسازید و ارزیابی کنید. این کتاب یادگیری ماشینی سرتاسری را برای گردش کار معاملاتی، از مهندسی ایده و ویژگی گرفته تا بهینهسازی مدل، طراحی استراتژی، و بک تست معرفی میکند. این موضوع را با استفاده از مثالهایی از مدلهای خطی و مجموعههای مبتنی بر درخت تا تکنیکهای یادگیری عمیق از تحقیقات پیشرفته نشان میدهد. این نسخه نحوه کار با دادههای بازار، بنیادی و جایگزین را نشان میدهد، مانند دادههای تیک، نوارهای دقیقه و روزانه، پروندههای SEC، رونوشت تماسهای درآمد، اخبار مالی، یا تصاویر ماهوارهای برای تولید سیگنالهای قابل معامله. این نشان میدهد که چگونه میتوان ویژگیهای مالی یا عوامل آلفا را مهندسی کرد که یک مدل ML را قادر میسازد تا بازدهی از دادههای قیمت را برای سهام ایالات متحده و بینالمللی و ETFها پیشبینی کند. همچنین نشان می دهد که چگونه می توان محتوای سیگنال ویژگی های جدید را با استفاده از مقادیر Alphalens و SHAP ارزیابی کرد و شامل یک ضمیمه جدید با بیش از صد مثال عامل آلفا است. در پایان، شما در تبدیل پیشبینیهای مدل ML به یک استراتژی معاملاتی که در افقهای روزانه یا روزانه عمل میکند و در ارزیابی عملکرد آن مهارت خواهید داشت. آنچه خواهید آموخت اهرم بازار، داده های متنی و تصویری بنیادی و جایگزین تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، Alphalens و مقادیر SHAP پیاده سازی تکنیک های یادگیری ماشین برای حل مشکلات سرمایه گذاری و معاملاتی بک تست و ارزیابی استراتژی های معاملاتی مبتنی بر یادگیری ماشین با استفاده از Zipline و Backtrader بهینه سازی ریسک و تجزیه و تحلیل عملکرد پورتفولیو با استفاده از پانداها، NumPy، و pyfolio ایجاد یک استراتژی معاملاتی جفت بر اساس یکپارچه سازی برای سهام ایالات متحده و ETF ها آموزش یک مدل افزایش گرادیان برای پیش بینی بازده روزانه با استفاده از معاملات با کیفیت بالا و داده های مظنه AlgoSeek این کتاب برای چه کسی است. اگر شما یک تحلیلگر داده، دانشمند داده، توسعهدهنده پایتون، تحلیلگر سرمایهگذاری یا مدیر پورتفولیو هستید که علاقهمند به کسب دانش یادگیری ماشینی عملی برای تجارت هستید، این کتاب برای شما مناسب است. اگر می خواهید بیاموزید که چگونه با استفاده از یادگیری ماشین، ارزش را از مجموعه متنوعی از منابع داده استخراج کنید تا استراتژی های معاملاتی سیستماتیک خود را طراحی کنید، این کتاب برای شما مناسب است. درک کمی از پایتون و تکنیک های یادگیری ماشین لازم است.
Leverage machine learning to design and back-test automated trading strategies for real-world markets using pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens, and pyfolio. Key Features Design, train, and evaluate machine learning algorithms that underpin automated trading strategies Create a research and strategy development process to apply predictive modeling to trading decisions Leverage NLP and deep learning to extract tradeable signals from market and alternative data Book Description The explosive growth of digital data has boosted the demand for expertise in trading strategies that use machine learning (ML). This revised and expanded second edition enables you to build and evaluate sophisticated supervised, unsupervised, and reinforcement learning models. This book introduces end-to-end machine learning for the trading workflow, from the idea and feature engineering to model optimization, strategy design, and backtesting. It illustrates this by using examples ranging from linear models and tree-based ensembles to deep-learning techniques from cutting edge research. This edition shows how to work with market, fundamental, and alternative data, such as tick data, minute and daily bars, SEC filings, earnings call transcripts, financial news, or satellite images to generate tradeable signals. It illustrates how to engineer financial features or alpha factors that enable an ML model to predict returns from price data for US and international stocks and ETFs. It also shows how to assess the signal content of new features using Alphalens and SHAP values and includes a new appendix with over one hundred alpha factor examples. By the end, you will be proficient in translating ML model predictions into a trading strategy that operates at daily or intraday horizons, and in evaluating its performance. What you will learn Leverage market, fundamental, and alternative text and image data Research and evaluate alpha factors using statistics, Alphalens, and SHAP values Implement machine learning techniques to solve investment and trading problems Backtest and evaluate trading strategies based on machine learning using Zipline and Backtrader Optimize portfolio risk and performance analysis using pandas, NumPy, and pyfolio Create a pairs trading strategy based on cointegration for US equities and ETFs Train a gradient boosting model to predict intraday returns using AlgoSeek's high-quality trades and quotes data Who this book is for If you are a data analyst, data scientist, Python developer, investment analyst, or portfolio manager interested in getting hands-on machine learning knowledge for trading, this book is for you. This book is for you if you want to learn how to extract value from a diverse set of data sources using machine learning to design your own systematic trading strategies. Some understanding of Python and machine learning techniques is required.