Bewertung:
Das Buch ist eine umfassende Ressource für maschinelles Lernen und KI-Anwendungen im Finanzwesen und wird für seinen praktischen Ansatz, die umfassende Abdeckung von Themen und nützliche Fallstudien mit Codebeispielen gelobt. Es wird sowohl für Finanzexperten als auch für Studenten empfohlen, aber einige Kritiken weisen auf erhebliche Probleme mit veralteten Inhalten, falschen Abbildungen und der Darstellung in Schwarz-Weiß hin.
Vorteile:⬤ Umfassende Abdeckung von ML/AI-Anwendungen im Finanzbereich.
⬤ Hands-on, praktischer Ansatz mit nützlichen Fallstudien und Codebeispielen.
⬤ Sowohl für Anfänger als auch für erfahrene Datenwissenschaftler geeignet.
⬤ Gut strukturiert und einfach zu folgen.
⬤ Verfügbarer unterstützender Code auf GitHub erhöht die Benutzerfreundlichkeit.
⬤ Einige Inhalte sind veraltet und erfordern Code-Updates.
⬤ In einigen Kapiteln wurden falsche Abbildungen festgestellt.
⬤ Einige Leser haben eine schwarz-weiße Version erhalten, was die Effektivität des visuellen Materials beeinträchtigt.
⬤ Einigen Erklärungen auf hoher Ebene fehlt es an Tiefe, verglichen mit Informationen, die anderswo verfügbar sind.
(basierend auf 19 Leserbewertungen)
Machine Learning and Data Science Blueprints for Finance: From Building Trading Strategies to Robo-Advisors Using Python
In den nächsten Jahrzehnten werden maschinelles Lernen und Datenwissenschaft die Finanzbranche verändern. Mit diesem praktischen Buch lernen Analysten, Händler, Forscher und Entwickler, wie man Algorithmen für maschinelles Lernen entwickelt, die für die Branche entscheidend sind. Sie werden ML-Konzepte und über 20 Fallstudien zum überwachten, unüberwachten und verstärkenden Lernen sowie zur natürlichen Sprachverarbeitung (NLP) untersuchen.
Dieses Buch ist ideal für Fachleute, die bei Hedge-Fonds, Investment- und Privatkundenbanken und Fintech-Firmen arbeiten, und befasst sich eingehend mit Portfoliomanagement, algorithmischem Handel, Preisgestaltung für Derivate, Betrugserkennung, Vorhersage von Vermögenspreisen, Stimmungsanalyse und Chatbot-Entwicklung. Sie werden reale Probleme erforschen, mit denen Praktiker konfrontiert sind, und wissenschaftlich fundierte Lösungen lernen, die durch Code und Beispiele unterstützt werden.
Dieses Buch behandelt:
⬤ Überwachtes Lernen regressionsbasierter Modelle für Handelsstrategien, Derivatpreise und Portfoliomanagement.
⬤ Überwachtes Lernen von klassifikationsbasierten Modellen für die Vorhersage von Kreditausfallrisiken, Betrugserkennung und Handelsstrategien.
⬤ Techniken zur Dimensionalitätsreduzierung mit Fallstudien in den Bereichen Portfoliomanagement, Handelsstrategien und Zinskurvenkonstruktion.
⬤ Algorithmen und Clustering-Techniken zum Auffinden ähnlicher Objekte, mit Fallstudien zu Handelsstrategien und Portfoliomanagement.
⬤ Modelle und Techniken des Verstärkungslernens, die für die Entwicklung von Handelsstrategien, die Absicherung von Derivaten und das Portfoliomanagement verwendet werden.
⬤ NLP-Techniken unter Verwendung von Python-Bibliotheken wie NLTK und scikit-learn zur Umwandlung von Text in sinnvolle Darstellungen.
| ISBN: | 9781492073055 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 428 |
Derzeit verfügbar, auf Lager.
