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: 1
نویسندگان: Emmanuel Jurczenko (editor)
سری:
ISBN (شابک) : 1786305445, 9781786305442
ناشر: Wiley-ISTE
سال نشر: 2020
تعداد صفحات: 455
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 18 مگابایت
در صورت تبدیل فایل کتاب Machine Learning for Asset Management: New Developments and Financial Applications 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 ماشین برای مدیریت دارایی: توسعه های جدید و برنامه های مالی 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 جلد ویرایش شده جدید شامل مجموعه ای از مقالات اصلی است که توسط اقتصاددانان مالی برجسته و کارشناسان صنعت در زمینه یادگیری ماشین برای مدیریت دارایی نوشته شده است. این فصل ها خواننده را با برخی از آخرین پیشرفت های تحقیقاتی در زمینه سرمایه گذاری سهام، چند دارایی و عامل آشنا می کند. هر فصل به روشهای جدید برای پیشبینی بازده و ریسک، انتخاب سهام، ساخت پرتفوی، اسناد عملکرد و مدلسازی هزینههای معامله میپردازد. این جلد به مدیران پورتفولیو، صاحبان دارایی و مشاوران، و همچنین دانشگاهیان و دانشجویانی که می خواهند دانش خود را در مورد یادگیری ماشین در مدیریت دارایی بهبود بخشند، کمک بزرگی خواهد کرد.
This new edited volume consists of a collection of original articles written by leading financial economists and industry experts in the area of machine learning for asset management. The chapters introduce the reader to some of the latest research developments in the area of equity, multi-asset and factor investing. Each chapter deals with new methods for return and risk forecasting, stock selection, portfolio construction, performance attribution and transaction costs modeling. This volume will be of great help to portfolio managers, asset owners and consultants, as well as academics and students who want to improve their knowledge of machine learning in asset management.