Apprendimento automatico per il trading algoritmico - Seconda edizione

Recensioni dei lettori

Il libro è apprezzato per la copertura completa delle tecniche di apprendimento automatico applicate al trading algoritmico, offrendo esempi dettagliati e materiale supplementare. Tuttavia, è criticato per gli strumenti obsoleti, la difficoltà di comprensione e le sfide di codifica che possono ostacolare l'esperienza di apprendimento.

⬤ Copertura completa e dettagliata dell'apprendimento automatico per il trading algoritmico.
⬤ Contiene molti esempi pratici e materiali supplementari, tra cui un PDF gratuito.
⬤ L'autore risponde alle richieste su GitHub.
⬤ Ottimo per una comprensione approfondita e per laboratori pratici.
⬤ Un buon riferimento sia per i principianti che per gli utenti avanzati.

⬤ Strumenti e librerie obsoleti citati nel libro non sono più supportati.
⬤ Molti esempi di codice sono difficili da accedere e da utilizzare in modo efficace.
⬤ Alcuni lettori trovano lo stile di scrittura inutilmente complesso e difficile da capire.
⬤ Il libro potrebbe essere eccessivamente denso, rendendolo difficile da digerire.
⬤ Sono stati segnalati problemi di controllo della qualità per quanto riguarda le condizioni fisiche del libro.

(basato su 57 recensioni dei lettori)

Titolo originale:

Machine Learning for Algorithmic Trading - Second Edition

Contenuto del libro:

Sfrutta l'apprendimento automatico per progettare e testare strategie di trading automatizzate per i mercati del mondo reale utilizzando pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens e pyfolio.

Caratteristiche principali:

⬤ Progettare, addestrare e valutare algoritmi di apprendimento automatico alla base di strategie di trading automatizzate.

⬤ Creare un processo di ricerca e sviluppo di strategie per applicare la modellazione predittiva alle decisioni di trading.

⬤ Sfruttare l'NLP e il deep learning per estrarre segnali negoziabili dai dati di mercato e da quelli alternativi.

Descrizione del libro:

La crescita esplosiva dei dati digitali ha incrementato la domanda di competenze nelle strategie di trading che utilizzano l'apprendimento automatico (ML). Questa seconda edizione, riveduta e ampliata, consente di costruire e valutare sofisticati modelli di apprendimento supervisionati, non supervisionati e di rinforzo.

Questo libro introduce l'apprendimento automatico end-to-end per il flusso di lavoro del trading, dall'idea e dall'ingegneria delle caratteristiche all'ottimizzazione del modello, alla progettazione della strategia e al backtesting. Illustra tutto questo utilizzando esempi che vanno dai modelli lineari e dagli ensemble basati sugli alberi alle tecniche di deep learning della ricerca più avanzata.

Questa edizione mostra come lavorare con i dati di mercato, fondamentali e alternativi, come i dati tick, le barre al minuto e giornaliere, i documenti SEC, le trascrizioni delle chiamate agli utili, le notizie finanziarie o le immagini satellitari per generare segnali negoziabili. Illustra come progettare caratteristiche finanziarie o fattori alfa che consentano a un modello ML di prevedere i rendimenti dai dati di prezzo di azioni ed ETF statunitensi e internazionali. Mostra inoltre come valutare il contenuto del segnale di nuove caratteristiche utilizzando i valori Alphalens e SHAP e include una nuova appendice con oltre cento esempi di fattori alfa.

Alla fine, sarete in grado di tradurre le previsioni del modello ML in una strategia di trading che operi su orizzonti giornalieri o intraday e di valutarne le prestazioni.

Che cosa imparerete?

⬤ Lavorare dati di mercato, fondamentali, alternativi, testuali e di immagine.

⬤ Ricercare e valutare i fattori alfa utilizzando statistiche, Alphalens e valori SHAP.

⬤ Implementare tecniche di apprendimento automatico per risolvere problemi di investimento e di trading.

⬤ Backtest e valutazione delle strategie di trading basate sull'apprendimento automatico utilizzando Zipline e Backtrader.

⬤ Ottimizzare l'analisi del rischio e delle prestazioni del portafoglio utilizzando pandas, NumPy e pyfolio.

⬤ Creare una strategia di trading a coppie basata sulla cointegrazione per le azioni e gli ETF statunitensi.

⬤ Addestrare un modello di gradient boosting per prevedere i rendimenti intraday utilizzando i dati di alta qualità di AlgoSeek su scambi e quotazioni.

A chi è rivolto questo libro:

Se siete analisti di dati, scienziati di dati, sviluppatori Python, analisti di investimenti o gestori di portafogli interessati ad acquisire conoscenze pratiche di apprendimento automatico per il trading, questo libro è per voi. Questo libro è per voi se volete imparare a estrarre valore da una serie diversificata di fonti di dati utilizzando l'apprendimento automatico per progettare le vostre strategie di trading sistematico.

È richiesta una certa conoscenza di Python e delle tecniche di apprendimento automatico.