بیاموزید که سیگنال ها را از داده های مالی و جایگزین گرفته تا طراحی و استراتژی های سیستماتیک پشتی تهیه کنید

اشتراک شما قابل ذخیره نبود. لطفا دوباره تلاش کنید.

اشتراک شما موفقیت آمیز بوده است.

از تئوری گرفته تا تمرین با ده ها نمونه از اساسی تا برش

کد را دریافت کنید!

در بیش از 800 صفحه ، این نسخه 2 اصلاح شده و گسترش یافته نشان می دهد که چگونه ML می تواند ارزش را به تجارت الگوریتمی از طریق طیف گسترده ای از برنامه ها اضافه کند. سازماندهی شده در چهار بخش و 24 فصل ، گردش کار پایان تا انتها را از منابع داده و توسعه مدل گرفته تا استراتژی پشتی و ارزیابی می کند.

به طور خاص ، آن را پوشش می دهد:

• جنبه های اصلی منابع منابع ، مهندسی ویژگی های مالی و مدیریت نمونه کارها ،
• طراحی و ارزیابی استراتژی های کوتاه کوتاه بر اساس طیف گسترده ای از الگوریتم های ML ،
• نحوه استخراج سیگنال های قابل تجارت از داده های متن مالی مانند پرونده های SEC ، رونوشت تماس با درآمد یا اخبار مالی ،
• با استفاده از مدل های یادگیری عمیق مانند CNN و RNN با داده های مالی و جایگزین ،
• نحوه تولید داده های مصنوعی با شبکه های مخالف مولد ، و
• آموزش یک نماینده بازرگانی با استفاده از یادگیری تقویت عمیق.

برای انجمن بازرگانی به ML جدید ما بپیوندید!

شما پرسیدید ، ما تحویل دادیم: تعداد زیادی از خوانندگان به دنبال یک جامعه آنلاین بودند

• در مورد مباحث تحت پوشش در کتاب بحث کنید ،
• از طریق مثالهای ارائه شده در نوت بوک ها با هم کار کنید ، یا
• برنامه ها و استراتژی هایی را که بر روی مطالب موجود در کتاب ساخته شده و گسترش می دهد ، کاوش کنید.

به همسالان خود در بستر جامعه جدید ما بپیوندید تا سؤال کنید ، پاسخ و پشتیبانی ارائه دهید و با دیگران علاقه مند به استفاده از ML برای تجارت باشید.

نرم افزار توسعه استراتژی به روز شده

ما کتابخانه های مورد استفاده در کتاب را برای تجزیه و تحلیل عوامل آلفا ، استراتژی های معاملاتی پشتی و ارزیابی عملکرد آنها به روز کرده ایم. آخرین نسخه ها از نسخه های Python 3. 7+ و نسخه های فعلی کتابخانه های مربوط به علم داده و یادگیری ماشین پشتیبانی می کنند. بسته های مبتنی بر PIP- و CONDA وجود دارد و مستندات در این وب سایت میزبانی می شوند.

معیارهای بازده مالی و ریسک معمولاً استفاده می شود

تجزیه و تحلیل عملکرد عوامل پیش بینی کننده (آلفا)

یک موتور پشتی محور رویداد برای استراتژی های تجارت الگوریتمی

عملکرد و تجزیه و تحلیل ریسک از اوراق بهادار مالی

Maing LiveProject: تجارت الگوریتمی با یادگیری ماشین

ما برای تجارت با انتشارات Maing یک LiveProject LiveProject را آماده کرده ایم تا به شما در تمرین نحوه توسعه استراتژی های معاملاتی همانطور که در کتاب نشان داده شده است ، کمک کند. شما برای ارائه یک مدل یادگیری ماشین که می تواند یک استراتژی تجاری سودآور را آگاه کند ، به نقش یک دانشمند داده برای یک صندوق پرچین می پردازید.

شما برای ساختن یک گردش کار استراتژی نهایی به پایان می توانید که شامل داده های بازار ، ویژگی های پیش بینی مهندسی و طراحی و مقایسه مدل های مختلف ML است ، به دست بیاورید. در طول LiveProject شما با کتابخانه ها و ابزارهایی از اکوسیستم داده های استاندارد صنعت پایتون کار خواهید کرد. شما با چالش هایی مانند آموزش یک مدل رگرسیون خطی منظم ، تنظیم یک مدل ML تقویت شیب و ارزیابی عملکرد استراتژی خود مقابله خواهید کرد - همه مهارت های اساسی برای موفقیت در این زمینه بسیار پر سود از یادگیری ماشین.

گردش کار پایان به پایان ML4T

نسخه دوم این کتاب ، یادگیری ماشین پایان به پایان را برای گردش کار ارائه می دهد ، با شروع داده ها ، مهندسی ویژگی ها و بهینه سازی مدل شروع می شود و همچنان به طراحی استراتژی و پشتی می پردازد.

این گردش کار را با استفاده از مثالهایی که از مدل های خطی و گروه های مبتنی بر درخت گرفته تا تکنیک های یادگیری عمیق از لبه برش مرز تحقیق است ، نشان می دهد.

قسمت 1: از تهیه اطلاعات گرفته تا توسعه استراتژی

بخش اول چارچوبی برای توسعه استراتژی های معاملاتی هدایت شده توسط یادگیری ماشین (ML) فراهم می کند. این بر روی داده هایی که الگوریتم ها و استراتژی های ML را در این کتاب مورد بحث قرار می دهند ، تمرکز می کند ، نحوه مهندسی و ارزیابی ویژگی های مناسب برای مدل های ML ، و نحوه مدیریت و اندازه گیری عملکرد نمونه کارها را هنگام اجرای یک استراتژی معاملاتی بیان می کند.

قسمت 2: یادگیری ماشین برای تجارت: اصول

بخش دوم الگوریتم های یادگیری تحت نظارت و بدون نظارت را در بر می گیرد و کاربرد آنها در استراتژی های معاملاتی را نشان می دهد. همچنین کتابخانه پشتی Zipline را معرفی می کند که به شما امکان می دهد شبیه سازی های تاریخی استراتژی خود را اجرا کرده و نتایج را ارزیابی کنید.

قسمت 3: پردازش زبان طبیعی برای تجارت

داده های متنی سرشار از محتوا هستند ، اما در قالب بدون ساختار و از این رو نیاز به پیش پردازش بیشتری دارند تا یک الگوریتم یادگیری ماشین بتواند سیگنال بالقوه را استخراج کند. این چالش مهم شامل تبدیل متن به یک قالب عددی برای استفاده توسط یک الگوریتم است ، در حالی که همزمان بیان معناشناسی یا معنی محتوا است. سه فصل بعدی چندین تکنیک را پوشش می دهد که ظرافت های زبان را به راحتی برای انسان قابل درک می کند تا الگوریتم های یادگیری ماشین نیز بتوانند آنها را تفسیر کنند.

قسمت 4: یادگیری عمیق و تقویت

قسمت چهارم نحوه استفاده از یادگیری عمیق برای تجارت الگوریتمی را توضیح داده و نشان می دهد. قابلیت های قدرتمند الگوریتم های یادگیری عمیق برای شناسایی الگوهای موجود در داده های بدون ساختار ، آن را به ویژه برای داده های جایگزین مانند تصاویر و متن مناسب می کند. به عنوان مثال ، برنامه های نمونه نشان می دهد که چگونه می توان داده های متن و قیمت را برای پیش بینی شگفتی های درآمد از پرونده های SEC ، تولید سری زمانی مصنوعی برای گسترش میزان داده های آموزشی و آموزش یک عامل بازرگانی با استفاده از یادگیری تقویت کننده عمیق نشان داد. چندین برنامه کاربردی تحقیقاتی که اخیراً در مجلات برتر منتشر شده است.