Implementácia strojového učenia pre financie: Systematický prístup k prediktívnej analýze rizík a výkonnosti investičných portfólií

Hodnotenie:   (3,0 z 5)

Implementácia strojového učenia pre financie: Systematický prístup k prediktívnej analýze rizík a výkonnosti investičných portfólií (Chris Nokeri Tshepo)

Recenzie čitateľov

Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 2 hlasoch.

Pôvodný názov:

Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios

Obsah knihy:

Spojenie strojového učenia (ML) a hlbokého učenia (DL) vo finančnom obchodovaní s dôrazom na riadenie investícií. Táto kniha vysvetľuje systematické prístupy k riadeniu investičného portfólia, analýze rizík a analýze výkonnosti vrátane prediktívnej analýzy s využitím postupov dátovej vedy.

Kniha predstavuje rozpoznávanie vzorov a prognózovanie budúcich cien, ktoré pôsobí na modely analýzy časových radov, ako sú autoregresný integrovaný kĺzavý priemer (ARIMA) model, sezónny ARIMA (SARIMA) model a aditívny model, a zahŕňa model najmenších štvorcov a model dlhej krátkodobej pamäte (LSTM). Predstavuje rozpoznávanie skrytých vzorov a predpovedanie trhových režimov s použitím Gaussovho skrytého Markovovho modelu. Kniha sa zaoberá praktickým použitím modelu K-Means pri zhlukovaní akcií. Zavádza praktickú aplikáciu metódy variácie-kovariácie a simulačnej metódy (pomocou simulácie Monte Carlo) na odhad hodnoty v riziku. Zahŕňa aj klasifikáciu smeru trhu pomocou logistického klasifikátora a klasifikátora Multilayer Perceptron. Nakoniec kniha predstavuje analýzu výkonnosti a rizika investičných portfólií.

Na konci tejto knihy by ste mali vedieť vysvetliť, ako funguje algoritmické obchodovanie a jeho praktické využitie v reálnom svete, a vedieť, ako aplikovať kontrolované a nekontrolované ML a DL modely na podporu investičného rozhodovania a implementovať a optimalizovať investičné stratégie a systémy.

Čo sa naučíte

⬤ Poznáte základy finančného trhu a algoritmického obchodovania, ako aj modely učenia pod dohľadom a bez dohľadu, ktoré sú vhodné na systematické riadenie investičného portfólia.

⬤ Znáť koncepty príznakového inžinierstva, vizualizácie údajov a optimalizácie hyperparametrov.

⬤ Navrhovať, vytvárať a testovať kontrolované a nekontrolované modely ML a DL.

⬤ Odhaľovať sezónnosť, trendy a trhové režimy, simulovať zmenu trhu a problémy investičnej stratégie a predpovedať smerovanie trhu a cien.

⬤ Štruktúrovať a optimalizovať investičné portfólio s predominantnými triedami aktív a merať základné riziko.

Pre koho je táto kniha určená

Začínajúcim a stredne pokročilým dátovým vedcom, inžinierom strojového učenia, manažérom podnikov a odborníkom v oblasti financií (napríklad investičným analytikom a obchodníkom).

Ďalšie údaje o knihe:

ISBN:9781484271094
Autor:
Vydavateľ:
Väzba:Mäkká väzba
Rok vydania:2021
Počet strán:182

Nákup:

Momentálne k dispozícii, na sklade.

Ďalšie knihy autora:

Implementácia strojového učenia pre financie: Systematický prístup k prediktívnej analýze rizík a...
Spojenie strojového učenia (ML) a hlbokého učenia...
Implementácia strojového učenia pre financie: Systematický prístup k prediktívnej analýze rizík a výkonnosti investičných portfólií - Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios
Odhalená dátová veda: S príznakovým inžinierstvom, vizualizáciou údajov, vývojom potrubia a ladením...
Časť 1: Parametrické metódyKapitola 1: Úvod do...
Odhalená dátová veda: S príznakovým inžinierstvom, vizualizáciou údajov, vývojom potrubia a ladením hyperparametrov - Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Ekonometria a dátová veda: Aplikácia techník dátovej vedy na modelovanie zložitých problémov a...
Získajte prehľad o uplatňovaní prístupov...
Ekonometria a dátová veda: Aplikácia techník dátovej vedy na modelovanie zložitých problémov a implementáciu riešení ekonomických problémov - Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Riešenia dátovej vedy s Pythonom: Rýchle a škálovateľné modely pomocou Keras, PySpark MLlib, H2O,...
Aplikujte učenie pod dohľadom a bez dohľadu na...
Riešenia dátovej vedy s Pythonom: Rýchle a škálovateľné modely pomocou Keras, PySpark MLlib, H2O, XGBoost a Scikit-Learn - Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Umelá inteligencia v lekárskych vedách a psychológii: S aplikáciou strojového jazyka, počítačového...
Začnite s umelou inteligenciou pre lekárske vedy a...
Umelá inteligencia v lekárskych vedách a psychológii: S aplikáciou strojového jazyka, počítačového videnia a techník Nlp - Artificial Intelligence in Medical Sciences and Psychology: With Application of Machine Language, Computer Vision, and Nlp Techniques
Vývoj webových aplikácií a webová analýza v reálnom čase s Pythonom: Vývoj a integrácia algoritmov...
Naučte sa vyvíjať a nasadzovať informačné panely...
Vývoj webových aplikácií a webová analýza v reálnom čase s Pythonom: Vývoj a integrácia algoritmov strojového učenia do webových aplikácií - Web App Development and Real-Time Web Analytics with Python: Develop and Integrate Machine Learning Algorithms Into Web Apps

Diela autora vydali tieto vydavateľstvá: