Пер. с англ. Логунов А. — СПб.: БХВ-Петербург, 2020. — 560 с. — ISBN 978-5-9775-6595-0.
Книга посвящена практике применения машинного обучения с целью создания мощных алгоритмических стратегий для успешной торговли на финансовых рынках. Изложены базовые принципы работы с данными: оценивание наборов данных, доступ к данным через API на языке Python, доступ к финансовым данным на платформе Quandl и управление ошибками предсказания.
Рассмотрены построение и тренировка алгоритмических моделей с помощью Python-библиотек pandas, Seaborn, StatsModels и sklearn и построение, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels.
Описано применение библиотеки PyMC3 для байесового машинного обучения, библиотек NLTK, sklearn (Scikit-learn) и spaCy для назначения отметок финансовым новостям и классифицирования документов, библиотеки Keras для создания, настройки и оценки нейронных сетей прямого распространения, рекуррентных и сверточных сетей.
Показано, как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности и как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.
Вы научитесь:
– Реализовывать технические методы машинного обучения для решения инвестиционных и торговых задач
– Использовать рыночные, фундаментальные и альтернативные данные с целью исследования альфа-факторов
– Конструировать и тонко настраивать автоматически обучающиеся контролируемые, неконтролируемые и подкрепляемые модели
– Оптимизировать портфельный риск и результативность с помощью библиотек pandas, NumPy и scikit-learn
– Интегрировать автоматически обучающиеся модели в живую торговую стратегию на платформе Quantopian
– Оценивать стратегии с использованием надежных методологий тестирования временных рядов
– Конструировать и оценивать глубоко обучающиеся нейронные сети с помощью библиотек Keras, PyTorch и TensorFlow
– Работать с подкрепляемым обучением для торговых стратегий на платформе OpenAI Gym
Формат: DJVU
