Note :
Le livre « Advances in Financial Machine Learning » de Marcos Lopez de Prado présente de nouvelles méthodologies et techniques de gestion de portefeuille utilisant l'apprentissage automatique, offrant un mélange d'idées théoriques et d'applications pratiques. Si de nombreux critiques saluent la clarté de l'ouvrage et les approches innovantes qui y sont présentées, d'autres lui reprochent des erreurs, un manque d'exemples pratiques et une certaine confusion dans la présentation du code.
Avantages:⬤ Introduit des méthodologies avancées de gestion de portefeuille et d'apprentissage automatique qui abordent des questions de longue date en finance.
⬤ Offre une présentation concise et claire de concepts complexes.
⬤ Fournit des exemples de code pertinents qui aident à comprendre les applications pratiques.
⬤ Très apprécié pour ses idées et son impact potentiel sur les pratiques de gestion des investissements.
⬤ Contient un nombre important d'erreurs, en particulier dans les exemples de code, qui peuvent miner la confiance du lecteur.
⬤ Certains évaluateurs l'ont trouvé trop théorique et manquant d'exemples pratiques.
⬤ Des problèmes de formatage et de présentation dans la version Kindle rendent son utilisation difficile.
⬤ Bien qu'il soit destiné aux gestionnaires d'actifs, certains ont estimé que son contenu ne se distinguait pas suffisamment de la science des données en général.
(basé sur 15 avis de lecteurs)
Machine Learning for Asset Managers
Les stratégies d'investissement réussies sont des mises en œuvre spécifiques de théories générales. Une stratégie d'investissement dépourvue de justification théorique a toutes les chances d'être fausse.
Par conséquent, un gestionnaire d'actifs devrait concentrer ses efforts sur l'élaboration d'une théorie plutôt que sur le backtesting de règles de négociation potentielles. L'objectif de cet élément est de présenter les outils d'apprentissage automatique (AAM) qui peuvent aider les gestionnaires d'actifs à découvrir des théories économiques et financières. L'apprentissage automatique n'est pas une boîte noire, et il n'est pas nécessairement suradapté.
Les outils d'apprentissage automatique complètent plutôt qu'ils ne remplacent les méthodes statistiques classiques. Parmi les points forts de l'apprentissage automatique, citons (1) l'accent mis sur la prévisibilité hors échantillon plutôt que sur l'adjudication de la variance ; (2) l'utilisation de méthodes informatiques pour éviter de s'appuyer sur des hypothèses (potentiellement irréalistes) ; (3) la capacité à "apprendre" des spécifications complexes, y compris des effets d'interaction non linéaires, hiérarchiques et non continus dans un espace à haute dimension ; et (4) la capacité à dissocier la recherche de variables de la recherche de spécifications, en tenant compte de la multicolinéarité et d'autres effets de substitution.
| ISBN : | 9781108792899 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 152 |
Actuellement disponible, en stock.
