Hodnotenie:
Kniha je dobre hodnotená pre svoje komplexné pokrytie techník strojového učenia aplikovaných na algoritmické obchodovanie a ponúka podrobné príklady a doplnkový materiál. Čelí však kritike za zastarané nástroje, náročnosť na pochopenie a problémy s kódovaním, ktoré môžu brániť v učení.
Výhody:⬤ Komplexné a podrobné pokrytie strojového učenia pre algoritmické obchodovanie.
⬤ Obsahuje množstvo praktických príkladov a doplnkových materiálov vrátane bezplatného PDF.
⬤ Autor reaguje na otázky na GitHube.
⬤ Dobré na hlboké pochopenie a praktické laboratóriá.
⬤ Dobrá referencia pre začiatočníkov aj pokročilých používateľov.
⬤ Zastarané nástroje a knižnice uvedené v knihe už nie sú podporované.
⬤ Mnohé príklady kódu sú ťažko dostupné a efektívne využiteľné.
⬤ Niektorí čitatelia považujú štýl písania za zbytočne zložitý a ťažko zrozumiteľný.
⬤ Kniha môže byť príliš hutná, čo ju robí ťažko stráviteľnou.
⬤ Boli hlásené problémy s kontrolou kvality fyzického stavu knihy.
(na základe 57 čitateľských recenzií)
Machine Learning for Algorithmic Trading - Second Edition
Využite strojové učenie na navrhovanie a spätné testovanie automatizovaných obchodných stratégií pre reálne trhy pomocou programov pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens a pyfolio.
Kľúčové vlastnosti:
⬤ Navrhujte, trénujte a vyhodnocujte algoritmy strojového učenia, ktoré sú základom automatizovaných obchodných stratégií.
⬤ Vytvárať proces výskumu a vývoja stratégií s cieľom aplikovať prediktívne modelovanie na obchodné rozhodnutia.
⬤ Využívanie NLP a hlbokého učenia na získavanie obchodovateľných signálov z trhových a alternatívnych údajov.
Popis knihy:
Prudký nárast digitálnych dát zvýšil dopyt po odborných znalostiach v oblasti obchodných stratégií, ktoré využívajú strojové učenie (ML). Toto revidované a rozšírené druhé vydanie vám umožní vytvárať a vyhodnocovať sofistikované modely supervízovaného, nekontrolovaného a posilneného učenia.
Táto kniha predstavuje komplexné strojové učenie pre obchodný pracovný postup, od nápadu a tvorby funkcií až po optimalizáciu modelov, návrh stratégií a spätné testovanie. Ilustruje to na príkladoch od lineárnych modelov a súborov založených na stromoch až po techniky hlbokého učenia zo špičkového výskumu.
Toto vydanie ukazuje, ako pracovať s trhovými, fundamentálnymi a alternatívnymi údajmi, ako sú napríklad údaje o kliešťoch, minútové a denné stĺpce, dokumenty SEC, prepisy hovorov o výnosoch, finančné správy alebo satelitné snímky, a vytvárať tak obchodovateľné signály. Ukazuje, ako vytvoriť finančné funkcie alebo alfa faktory, ktoré umožňujú ML modelu predpovedať výnosy z cenových údajov pre americké a medzinárodné akcie a ETF. Ukazuje tiež, ako posúdiť obsah signálu nových funkcií pomocou hodnôt Alphalens a SHAP, a obsahuje novú prílohu s viac ako sto príkladmi alfa faktorov.
Na konci budete zruční v pretváraní predpovedí ML modelu do obchodnej stratégie, ktorá funguje na dennom alebo vnútrodennom horizonte, a v hodnotení jej výkonnosti.
Čo sa naučíte:
⬤ Využívať trhové, fundamentálne a alternatívne textové a obrazové údaje.
⬤ Vyhľadávať a vyhodnocovať alfa faktory pomocou štatistík, Alphalens a hodnôt SHAP.
⬤ Zavádzať techniky strojového učenia na riešenie investičných a obchodných problémov.
⬤ Backtestovať a vyhodnocovať obchodné stratégie založené na strojovom učení pomocou programov Zipline a Backtrader.
⬤ Optimalizovať analýzu rizika a výkonnosti portfólia pomocou programov pandas, NumPy a pyfolio.
⬤ Vytvorte stratégiu obchodovania s pármi na základe kointegrácie pre americké akcie a ETF.
⬤ Trénovanie gradientného posilňovacieho modelu na predpovedanie vnútrodenných výnosov pomocou vysokokvalitných údajov o obchodoch a kotáciách spoločnosti AlgoSeek.
Pre koho je táto kniha určená:
Ak ste dátový analytik, dátový vedec, vývojár v jazyku Python, investičný analytik alebo portfólio manažér, ktorý má záujem získať praktické znalosti strojového učenia pre obchodovanie, táto kniha je určená práve vám. Táto kniha je pre vás, ak sa chcete naučiť, ako získať hodnotu z rôznorodých zdrojov údajov pomocou strojového učenia a navrhnúť vlastné systematické obchodné stratégie.
Vyžaduje sa určitá znalosť jazyka Python a techník strojového učenia.
