Bewertung:
Das Buch wird für seine umfassende Abdeckung von Techniken des maschinellen Lernens, die auf den algorithmischen Handel angewandt werden, geschätzt und bietet detaillierte Beispiele und ergänzendes Material. Es wird jedoch wegen veralteter Tools, Verständnisschwierigkeiten und Programmierproblemen kritisiert, die den Lernprozess behindern können.
Vorteile:⬤ Umfassende und detaillierte Abdeckung des maschinellen Lernens für den algorithmischen Handel.
⬤ Enthält viele praktische Beispiele und ergänzende Materialien, darunter ein kostenloses PDF.
⬤ Der Autor antwortet auf Anfragen auf GitHub.
⬤ Gut für tiefes Verständnis und praktische Übungen.
⬤ Eine gute Referenz für Anfänger und Fortgeschrittene.
⬤ Veraltete Tools und Bibliotheken, die im Buch erwähnt werden, werden nicht mehr unterstützt.
⬤ Viele Code-Beispiele sind nur schwer zugänglich und effektiv nutzbar.
⬤ Einige Leser finden den Schreibstil unnötig komplex und schwer verständlich.
⬤ Das Buch könnte zu dicht sein, so dass es schwer zu verdauen ist.
⬤ Es wurde über Probleme bei der Qualitätskontrolle des physischen Zustands des Buches berichtet.
(basierend auf 57 Leserbewertungen)
Machine Learning for Algorithmic Trading - Second Edition
Nutzen Sie maschinelles Lernen, um automatisierte Handelsstrategien für reale Märkte mit Pandas, TA-Lib, Scikit-Learning, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, Backtrader, Alphalens und Pyfolio zu entwickeln und zu testen.
Hauptmerkmale:
⬤ Entwerfen, trainieren und bewerten Sie Algorithmen des maschinellen Lernens, die automatisierten Handelsstrategien zugrunde liegen.
⬤ Erstellen Sie einen Forschungs- und Strategieentwicklungsprozess, um prädiktive Modellierung auf Handelsentscheidungen anzuwenden.
⬤ Nutzung von NLP und Deep Learning, um handelbare Signale aus Markt- und alternativen Daten zu extrahieren.
Buchbeschreibung:
Das explosionsartige Wachstum digitaler Daten hat die Nachfrage nach Fachwissen über Handelsstrategien, die maschinelles Lernen (ML) nutzen, in die Höhe getrieben. Diese überarbeitete und erweiterte zweite Auflage versetzt Sie in die Lage, anspruchsvolle überwachte, unüberwachte und verstärkende Lernmodelle zu erstellen und zu bewerten.
Dieses Buch führt in das durchgängige maschinelle Lernen für den Trading-Workflow ein, von der Idee und dem Feature-Engineering bis zur Modelloptimierung, dem Strategiedesign und dem Backtesting. Es veranschaulicht dies anhand von Beispielen, die von linearen Modellen und baumbasierten Ensembles bis hin zu Deep-Learning-Techniken aus der Spitzenforschung reichen.
Diese Ausgabe zeigt, wie man mit Markt-, Fundamental- und alternativen Daten wie Tickdaten, Minuten- und Tagesbalken, SEC-Filings, Gewinnmitschriften, Finanznachrichten oder Satellitenbildern arbeitet, um handelbare Signale zu erzeugen. Es wird veranschaulicht, wie Finanzmerkmale oder Alpha-Faktoren entwickelt werden, die es einem ML-Modell ermöglichen, Renditen aus Preisdaten für US- und internationale Aktien und ETFs vorherzusagen. Es zeigt auch, wie man den Signalgehalt neuer Merkmale mit Hilfe von Alphalen- und SHAP-Werten bewertet und enthält einen neuen Anhang mit über hundert Alpha-Faktor-Beispielen.
Am Ende des Buches werden Sie in der Lage sein, ML-Modellvorhersagen in eine Handelsstrategie zu übersetzen, die auf Tages- oder Intraday-Horizonten operiert, und deren Leistung zu bewerten.
Was Sie lernen werden:
⬤ Nutzen Sie Markt-, Fundamental- und alternative Text- und Bilddaten.
⬤ Recherche und Bewertung von Alpha-Faktoren unter Verwendung von Statistiken, Alphalens und SHAP-Werten.
⬤ Implementierung von Techniken des maschinellen Lernens zur Lösung von Investitions- und Handelsproblemen.
⬤ Backtesting und Bewertung von Handelsstrategien auf der Grundlage von maschinellem Lernen mit Zipline und Backtrader.
⬤ Optimieren Sie die Portfolio-Risiko- und Performance-Analyse mit Pandas, NumPy und Pyfolio.
⬤ Erstellung einer auf Kointegration basierenden Paarhandelsstrategie für US-Aktien und ETFs.
⬤ Trainieren Sie ein Gradient-Boosting-Modell zur Vorhersage von Intraday-Renditen unter Verwendung der hochwertigen Handels- und Kursdaten von AlgoSeek.
Für wen dieses Buch gedacht ist:
Wenn Sie ein Datenanalyst, Datenwissenschaftler, Python-Entwickler, Investmentanalyst oder Portfoliomanager sind, der sich praktische Kenntnisse im Bereich des maschinellen Lernens für den Handel aneignen möchte, ist dieses Buch für Sie geeignet. Dieses Buch ist für Sie, wenn Sie lernen möchten, wie Sie mit Hilfe von maschinellem Lernen Werte aus einer Vielzahl von Datenquellen extrahieren können, um Ihre eigenen systematischen Handelsstrategien zu entwickeln.
Ein gewisses Verständnis von Python und maschinellen Lerntechniken ist erforderlich.
| ISBN: | 9781839217715 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 820 |
Derzeit verfügbar, auf Lager.
