Bewertung:
Das Buch über den algorithmischen Handel wird im Allgemeinen gut bewertet, insbesondere für diejenigen, die über einen Hintergrund in Python und maschinellem Lernen verfügen. Es deckt zwar viele relevante Themen umfassend ab, leidet aber unter einigen fehlenden Kapiteln, Codefehlern und einem Mangel an direkten Anweisungen zur Anwendung des maschinellen Lernens auf den Handel. Trotz dieser Probleme schätzen viele Leser die praktischen Einsichten, die der Autor vermittelt.
Vorteile:Das Buch ist gut strukturiert und logisch aufgebaut und bietet eine umfassende Abdeckung der Konzepte des maschinellen Lernens im Kontext des algorithmischen Handels. Es enthält praktische Beispiele und ein GitHub-Repository für aktualisierten Code, was die Expertise des Autors in diesem Bereich unterstreicht. Viele Leser fanden es nützlich, um die Theorie mit praktischen Anwendungen zu verknüpfen.
Nachteile:Das Buch erfordert Vorkenntnisse in Python und maschinellem Lernen, und einige Leser berichteten von fehlenden Kapiteln und veraltetem Code, der zu Fehlern führte. Darüber hinaus wird das Buch eher als Überblick denn als tiefgreifender Lehrtext angesehen, was den Bedürfnissen von absoluten Anfängern möglicherweise nicht gerecht wird. Einige Abbildungen, wie z. B. Diagramme, sind aufgrund fehlender Farben schlecht lesbar.
(basierend auf 21 Leserbewertungen)
Hands-On Machine Learning for Algorithmic Trading
Erforschen Sie effektive Handelsstrategien in realen Märkten mit NumPy, spaCy, pandas, scikit-learn und Keras
Hauptmerkmale:
⬤ Implementieren Sie Algorithmen des maschinellen Lernens, um algorithmische Modelle zu erstellen, zu trainieren und zu validieren.
⬤ Erstellen Sie Ihren eigenen algorithmischen Designprozess, um probabilistische maschinelle Lernansätze auf Handelsentscheidungen anzuwenden.
⬤ Entwickeln Sie neuronale Netze für den algorithmischen Handel, um Zeitreihenprognosen und intelligente Analysen durchzuführen.
Buchbeschreibung:
Das explosionsartige Wachstum digitaler Daten hat die Nachfrage nach Fachwissen über Handelsstrategien, die maschinelles Lernen (ML) nutzen, in die Höhe getrieben. Dieses Buch versetzt Sie in die Lage, eine breite Palette von überwachten und nicht überwachten Algorithmen zu nutzen, um Signale aus einer Vielzahl von Datenquellen zu extrahieren und leistungsstarke Anlagestrategien zu entwickeln.
Dieses Buch zeigt, wie man über API oder Web Scraping auf Markt-, Fundamental- und alternative Daten zugreift und bietet einen Rahmen für die Bewertung alternativer Daten. Sie üben den ML-Workflow vom Modelldesign, der Definition von Verlustmetriken und der Parameterabstimmung bis hin zur Leistungsbewertung in einem Zeitreihenkontext. Sie werden ML-Algorithmen wie Bayes'sche und Ensemble-Methoden und Manifold Learning verstehen und wissen, wie man diese Modelle mit Pandas, Statsmodels, Sklearn, PyMC3, xgboost, lightgbm und catboost trainiert und abstimmt. In diesem Buch lernen Sie auch, wie Sie mit spaCy Merkmale aus Textdaten extrahieren, Nachrichten klassifizieren und Stimmungswerte zuweisen, und wie Sie mit gensim Themen modellieren und Worteinbettungen aus Finanzberichten lernen. Sie werden auch neuronale Netze, einschließlich RNNs und CNNs, mit Keras und PyTorch erstellen und bewerten, um unstrukturierte Daten für anspruchsvolle Strategien zu nutzen.
Schließlich werden Sie Transfer Learning auf Satellitenbilder anwenden, um wirtschaftliche Aktivitäten vorherzusagen, und Sie werden Reinforcement Learning nutzen, um Agenten zu entwickeln, die lernen, im OpenAI Gym zu handeln.
Was Sie lernen werden:
⬤ Einführung von Techniken des maschinellen Lernens zur Lösung von Investitions- und Handelsproblemen.
⬤ Nutzung von Markt-, Fundamental- und alternativen Daten zur Erforschung von Alpha-Faktoren.
⬤ Entwerfen und Feinabstimmung von überwachten, unüberwachten und verstärkten Lernmodellen.
⬤ Optimieren Sie das Portfoliorisiko und die Leistung mit Pandas, NumPy und Scikit-Learn.
⬤ Integration von Machine-Learning-Modellen in eine Live-Handelsstrategie auf Quantopian.
⬤ Evaluierung von Strategien mit zuverlässigen Backtesting-Methoden für Zeitreihen.
⬤ Entwerfen und bewerten Sie tiefe neuronale Netze mit Keras, PyTorch und TensorFlow.
⬤ Arbeiten Sie mit Reinforcement Learning für Handelsstrategien im OpenAI Gym.
Für wen dieses Buch gedacht ist:
Hands-On Machine Learning for Algorithmic Trading richtet sich an Datenanalysten, Datenwissenschaftler und Python-Entwickler sowie an Investmentanalysten und Portfoliomanager, die in der Finanz- und Investmentbranche arbeiten. Wenn Sie einen effizienten algorithmischen Handel betreiben wollen, indem Sie intelligente Untersuchungsstrategien unter Verwendung von Algorithmen des maschinellen Lernens entwickeln, ist dies das richtige Buch für Sie. Ein gewisses Verständnis von Python und Techniken des maschinellen Lernens ist erforderlich.
| ISBN: | 9781789346411 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
