مشخصات کتاب

Machine Learning for Factor Investing: R Version

ویرایش: [1 ed.] 
نویسندگان: Guillaume Coqueret. Tony Guida  
سری: Chapman & Hall/CRC Financial Mathematics Series 
ISBN (شابک) : 0367473224, 9780367473228 
ناشر: Chapman and Hall/CRC 
سال نشر: 2020 
تعداد صفحات: 341
[342] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 32 Mb 

در صورت تبدیل فایل کتاب Machine Learning for Factor Investing: R Version 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 سرمایه گذاری فاکتور: نسخه R 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 یادگیری ماشین برای سرمایه گذاری فاکتور: نسخه R

یادگیری ماشین (ML) به تدریج در حال تغییر شکل زمینه های مالی کمی و تجارت الگوریتمی است. ابزارهای ML به طور فزاینده ای توسط صندوق های تامینی و مدیران دارایی مورد استفاده قرار می گیرند، به ویژه برای تولید سیگنال آلفا و انتخاب سهام. فنی بودن موضوع می‌تواند پیوستن افراد غیرمتخصص به آن را دشوار کند، زیرا ممکن است نیازهای اصطلاحات و کدنویسی دور از دسترس به نظر برسد. Machine Learning for Factor Investing: نسخه R این شکاف را پر می کند. این یک تور جامع از استراتژی های سرمایه گذاری مدرن مبتنی بر ML را ارائه می دهد که بر ویژگی های شرکت متکی است. این کتاب طیف گسترده‌ای از موضوعات را پوشش می‌دهد که از منطق اقتصادی گرفته تا آزمون‌های برگشتی دقیق نمونه کارها را شامل می‌شود و شامل پردازش داده‌ها و قابلیت تفسیر مدل می‌شود. الگوریتم‌های یادگیری تحت نظارت رایج مانند مدل‌های درختی و شبکه‌های عصبی در زمینه سرمایه‌گذاری سبک توضیح داده می‌شوند و خواننده همچنین می‌تواند تکنیک‌های پیچیده‌تری مانند بازده دارایی رمزگذار خودکار، درخت‌های افزودنی بیزی و مدل‌های علّی را بررسی کند. همه موضوعات با نمونه‌ها و تکه‌های کد R مستقل نشان داده شده‌اند که در یک مجموعه داده عمومی بزرگ که شامل بیش از ۹۰ پیش‌بینی‌کننده است، اعمال می‌شوند. مطالب به همراه محتوای کتاب به صورت آنلاین در دسترس است تا خوانندگان بتوانند هر چه راحتتر نمونه ها را تکثیر و تقویت کنند. اگر حتی دانش اولیه ای از امور مالی کمی دارید، این ترکیبی از مفاهیم نظری و تصاویر عملی به شما کمک می کند تا سریع یاد بگیرید و تخصص مالی و فنی خود را عمیق تر کنید.

توضیحاتی درمورد کتاب به خارجی

Machine learning (ML) is progressively reshaping the fields of quantitative finance and algorithmic trading. ML tools are increasingly adopted by hedge funds and asset managers, notably for alpha signal generation and stocks selection. The technicality of the subject can make it hard for non-specialists to join the bandwagon, as the jargon and coding requirements may seem out of reach. Machine Learning for Factor Investing: R Version bridges this gap. It provides a comprehensive tour of modern ML-based investment strategies that rely on firm characteristics. The book covers a wide array of subjects which range from economic rationales to rigorous portfolio back-testing and encompass both data processing and model interpretability. Common supervised learning algorithms such as tree models and neural networks are explained in the context of style investing and the reader can also dig into more complex techniques like autoencoder asset returns, Bayesian additive trees, and causal models. All topics are illustrated with self-contained R code samples and snippets that are applied to a large public dataset that contains over 90 predictors. The material, along with the content of the book, is available online so that readers can reproduce and enhance the examples at their convenience. If you have even a basic knowledge of quantitative finance, this combination of theoretical concepts and practical illustrations will help you learn quickly and deepen your financial and technical expertise.

فهرست مطالب

Dedication
Contents
Preface
I Introduction
	1 Notations and data
	2 Introduction
	3 Factor investing and asset pricing anomalies
	4 Data preprocessing
II Common supervised algorithms
	5 Penalized regressions and sparse hedging for minimum variance portfolios
	6 Tree-based methods
	7 Neural networks
	8 Support vector machines
	9 Bayesian methods
III From predictions to portfolios
	10 Validating and tuning
	11 Ensemble models
	12 Portfolio backtesting
IV Further important topics
	13 Interpretability
	14 Two key concepts: causality and non-stationarity
	15 Unsupervised learning
	16 Reinforcement learning
V Appendix
	17 Data description
	18 Solutions to exercises
Bibliography
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Harmonic Analysis, Real Variable Methods Orthogonality & Oscillatory Integrals. Stein

دانلود کتاب A 2-manifold of genus 8 without the W v-property

دانلود کتاب Engineering General Intelligence, Part 1: A Path to Advanced AGI via Embodied Learning and Cognitive Synergy

دانلود کتاب Mestizo Genomics: Race Mixture, Nation, and Science in Latin America

دانلود کتاب Res Polonicae Elisabetha I Angliae regnante conscriptae ex Archivis Publicis Londoniarum