Avis des lecteurs
Résumé:L'ouvrage est apprécié pour sa couverture complète des techniques d'apprentissage automatique appliquées au trading algorithmique, offrant des exemples détaillés et du matériel supplémentaire. Cependant, il est critiqué pour ses outils dépassés, sa difficulté de compréhension et ses problèmes de codage qui peuvent entraver l'expérience d'apprentissage.
Avantages:⬤ Couverture complète et détaillée de l'apprentissage automatique pour le trading algorithmique.
⬤ Contient de nombreux exemples pratiques et du matériel supplémentaire, y compris un PDF gratuit.
⬤ L'auteur répond aux questions sur GitHub.
⬤ Bon pour une compréhension approfondie et des laboratoires pratiques.
⬤ Une bonne référence pour les débutants et les utilisateurs avancés.
⬤ Les outils et bibliothèques mentionnés dans le livre ne sont plus supportés.
⬤ De nombreux exemples de code sont difficiles à accéder et à utiliser efficacement.
⬤ Certains lecteurs trouvent le style d'écriture inutilement complexe et difficile à comprendre.
⬤ Le livre peut être trop dense, ce qui le rend difficile à digérer.
⬤ Des problèmes de contrôle de la qualité concernant l'état physique du livre ont été signalés.
(basé sur 57 avis de lecteurs)
Titre original :
Machine Learning for Algorithmic Trading - Second Edition
Contenu du livre :
Tirer parti de l'apprentissage automatique pour concevoir et tester des stratégies de trading automatisées pour des marchés réels en utilisant pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens et pyfolio.
Fonctionnalités principales :
⬤ Concevoir, former et évaluer des algorithmes d'apprentissage automatique qui sous-tendent les stratégies de trading automatisées.
⬤ Vous avez la possibilité de créer un processus de recherche et de développement de stratégies pour appliquer la modélisation prédictive aux décisions de trading.
⬤ Les résultats de l'étude ont été publiés dans un rapport de la Commission européenne, qui a été distribué à l'ensemble des pays membres.
Description du livre :
La croissance explosive des données numériques a stimulé la demande d'expertise en stratégies de trading qui utilisent l'apprentissage machine (ML). Cette deuxième édition revue et augmentée vous permet de construire et d'évaluer des modèles sophistiqués d'apprentissage supervisé, non supervisé et par renforcement.
Ce livre présente l'apprentissage automatique de bout en bout pour le flux de travail du trading, depuis l'idée et l'ingénierie des caractéristiques jusqu'à l'optimisation du modèle, la conception de la stratégie et le backtesting. Il illustre cela à l'aide d'exemples allant des modèles linéaires et des ensembles basés sur des arbres aux techniques d'apprentissage profond issues de la recherche de pointe.
Cette édition montre comment travailler avec des données de marché, des données fondamentales et des données alternatives, telles que les données de cotation, les barres minute et journalières, les dossiers de la SEC, les transcriptions d'appels à bénéfices, les nouvelles financières ou les images satellite, afin de générer des signaux négociables. Il montre comment concevoir des caractéristiques financières ou des facteurs alpha qui permettent à un modèle ML de prédire les rendements à partir des données de prix des actions américaines et internationales et des ETF. Il montre également comment évaluer le contenu des signaux des nouvelles caractéristiques à l'aide des Alphalens et des valeurs SHAP et comprend une nouvelle annexe avec plus d'une centaine d'exemples de facteurs alpha.
À la fin de l'ouvrage, vous saurez traduire les prédictions du modèle ML en une stratégie de trading opérant à des horizons quotidiens ou intrajournaliers, et en évaluer les performances.
Ce que vous apprendrez
⬤ Exploiter les données du marché, les données fondamentales et les données alternatives sous forme de textes et d'images.
⬤ Les facteurs alpha sont recherchés et évalués à l'aide de statistiques, d'Alphalens et de valeurs SHAP.
⬤ Les techniques d'apprentissage automatique sont utilisées pour résoudre les problèmes d'investissement et de trading.
⬤ Les stratégies de trading basées sur l'apprentissage automatique sont testées et évaluées à l'aide de Zipline et de Backtrader.
⬤ Optimiser l'analyse du risque et de la performance des portefeuilles en utilisant pandas, NumPy et pyfolio.
⬤ Créer une stratégie de trading par paires basée sur la cointégration pour les actions américaines et les ETFs.
⬤ Les résultats de l'analyse des données d'AlgoSeek sur les transactions et les cotations de haute qualité permettent d'entraîner un modèle de gradient boosting pour prédire les rendements intra-journaliers.
A qui s'adresse ce livre :
Si vous êtes un analyste de données, un scientifique de données, un développeur Python, un analyste d'investissement ou un gestionnaire de portefeuille désireux d'acquérir des connaissances pratiques en matière d'apprentissage automatique pour le trading, ce livre est fait pour vous. Ce livre est fait pour vous si vous voulez apprendre à extraire de la valeur d'un ensemble varié de sources de données en utilisant l'apprentissage automatique pour concevoir vos propres stratégies de trading systématique.
Une certaine compréhension de Python et des techniques d'apprentissage automatique est nécessaire.
Autres informations sur le livre :
| ISBN : | 9781839217715 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 820 |
Achat:
Actuellement disponible, en stock.
