Avis des lecteurs
Résumé:Le livre sur le trading algorithmique est généralement bien considéré, en particulier pour ceux qui ont des connaissances en Python et en apprentissage automatique. Bien qu'il couvre de manière exhaustive de nombreux sujets pertinents, il souffre de quelques chapitres manquants, d'erreurs de code et d'un manque d'instructions directes sur l'application de l'apprentissage automatique au trading. Malgré ces problèmes, de nombreux lecteurs apprécient les informations pratiques fournies par l'auteur.
Avantages:Le livre est bien structuré et organisé de manière logique, offrant une couverture complète des concepts de l'apprentissage automatique dans le contexte du trading algorithmique. Il comprend des exemples pratiques et un dépôt GitHub pour le code mis à jour, démontrant l'expertise de l'auteur dans le domaine. De nombreux lecteurs l'ont trouvé utile pour apprendre et intégrer la théorie aux applications pratiques.
Inconvénients:Le livre nécessite des connaissances préalables en Python et en apprentissage automatique, et certains lecteurs ont signalé qu'il manquait des chapitres et que le code était obsolète, ce qui a entraîné des erreurs. En outre, il est davantage considéré comme une vue d'ensemble que comme un texte profondément pédagogique, ce qui peut ne pas répondre aux besoins des débutants complets. Certaines illustrations, comme les graphiques, posent des problèmes de lisibilité en raison de l'absence de couleurs.
(basé sur 21 avis de lecteurs)
Titre original :
Hands-On Machine Learning for Algorithmic Trading
Contenu du livre :
Explorer des stratégies de trading efficaces sur les marchés du monde réel en utilisant NumPy, spaCy, pandas, scikit-learn et Keras.
Caractéristiques principales :
⬤ Mettre en œuvre des algorithmes d'apprentissage automatique pour construire, former et valider des modèles algorithmiques.
⬤ Les algorithmes d'apprentissage automatique permettent de construire, d'entraîner et de valider des modèles algorithmiques, de créer votre propre processus de conception algorithmique et d'appliquer des approches probabilistes d'apprentissage automatique aux décisions de trading.
⬤ Développer des réseaux neuronaux pour le trading algorithmique afin d'effectuer des prévisions de séries temporelles et des analyses intelligentes.
Description du livre :
La croissance explosive des données numériques a stimulé la demande d'expertise dans les stratégies de trading qui utilisent l'apprentissage automatique. Ce livre vous permet d'utiliser un large éventail d'algorithmes supervisés et non supervisés pour extraire des signaux d'une grande variété de sources de données et créer de puissantes stratégies d'investissement.
Ce livre montre comment accéder aux données de marché, fondamentales et alternatives via l'API ou le web scraping et offre un cadre pour évaluer les données alternatives. Vous pratiquerez le workflow ML depuis la conception du modèle, la définition de la métrique de perte et le réglage des paramètres jusqu'à l'évaluation des performances dans un contexte de séries temporelles. Vous comprendrez les algorithmes de ML tels que les méthodes bayésiennes et d'ensemble et le manifold learning, et saurez comment entraîner et régler ces modèles à l'aide de pandas, statsmodels, sklearn, PyMC3, xgboost, lightgbm et catboost. Ce livre vous apprend également à extraire des caractéristiques des données textuelles à l'aide de spaCy, à classer les nouvelles et à attribuer des scores de sentiment, et à utiliser gensim pour modéliser des sujets et apprendre des enchâssements de mots à partir de rapports financiers. Vous construirez et évaluerez également des réseaux neuronaux, y compris des RNN et des CNN, en utilisant Keras et PyTorch pour exploiter des données non structurées dans le cadre de stratégies sophistiquées.
Enfin, vous appliquerez l'apprentissage par transfert à des images satellites pour prédire l'activité économique et utiliserez l'apprentissage par renforcement pour construire des agents qui apprennent à négocier dans l'OpenAI Gym.
Ce que vous apprendrez
⬤ Mettre en œuvre des techniques d'apprentissage automatique pour résoudre des problèmes d'investissement et de trading.
⬤ Exploiter les données du marché, les données fondamentales et les données alternatives pour rechercher des facteurs d'alpha.
⬤ Les modèles d'apprentissage supervisé, non supervisé et de renforcement sont conçus et mis au point avec précision.
⬤ Optimiser le risque et la performance d'un portefeuille en utilisant pandas, NumPy et scikit-learn.
⬤ Intégrer des modèles d'apprentissage automatique dans une stratégie de trading en direct sur Quantopian.
⬤ Évaluer les stratégies en utilisant des méthodologies de backtesting fiables pour les séries temporelles.
⬤ Concevoir et évaluer des réseaux neuronaux profonds en utilisant Keras, PyTorch et TensorFlow.
⬤ Travailler avec l'apprentissage par renforcement pour les stratégies de trading dans l'OpenAI Gym.
Pour qui ce livre est fait :
Hands-On Machine Learning for Algorithmic Trading s'adresse aux analystes de données, aux data scientists et aux développeurs Python, ainsi qu'aux analystes d'investissement et aux gestionnaires de portefeuille travaillant dans le secteur de la finance et de l'investissement. Si vous souhaitez réaliser un trading algorithmique efficace en développant des stratégies d'investigation intelligentes à l'aide d'algorithmes d'apprentissage automatique, ce livre est fait pour vous. Une certaine compréhension de Python et des techniques d'apprentissage automatique est obligatoire.
Autres informations sur le livre :
| ISBN : | 9781789346411 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
