Apprendimento automatico pratico per il trading algoritmico

Recensioni dei lettori

Il libro sul trading algoritmico è generalmente ben considerato, in particolare per coloro che hanno un background in Python e nell'apprendimento automatico. Pur coprendo in modo esauriente molti argomenti rilevanti, soffre di alcuni capitoli mancanti, di errori nel codice e della mancanza di istruzioni dirette sull'applicazione dell'apprendimento automatico al trading. Nonostante questi problemi, molti lettori apprezzano le intuizioni pratiche fornite dall'autore.

Il libro è ben strutturato e organizzato in modo logico, fornendo una copertura completa dei concetti di apprendimento automatico nel contesto del trading algoritmico. Include esempi pratici e un repository GitHub per il codice aggiornato, a dimostrazione della competenza dell'autore nel settore. Molti lettori lo hanno trovato utile per imparare e integrare la teoria con le applicazioni pratiche.

Il libro richiede una conoscenza preliminare di Python e dell'apprendimento automatico, e alcuni lettori hanno segnalato capitoli mancanti e codice non aggiornato che hanno causato errori. Inoltre, è visto più come una panoramica che come un testo profondamente istruttivo, il che potrebbe non soddisfare le esigenze dei principianti assoluti. Alcune illustrazioni, come i grafici, presentano problemi di leggibilità a causa della mancanza di colori.

(basato su 21 recensioni dei lettori)

Titolo originale:

Hands-On Machine Learning for Algorithmic Trading

Contenuto del libro:

Esplora strategie di trading efficaci nei mercati del mondo reale utilizzando NumPy, spaCy, pandas, scikit-learn e Keras.

Caratteristiche principali:

⬤ Implementare algoritmi di apprendimento automatico per costruire, addestrare e validare modelli algoritmici.

⬤ Creare il proprio processo di progettazione algoritmica per applicare approcci di apprendimento automatico probabilistico alle decisioni di trading.

⬤ Sviluppare reti neurali per il trading algoritmico per eseguire previsioni di serie temporali e analisi intelligenti.

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). Questo libro consente di utilizzare un'ampia gamma di algoritmi supervisionati e non supervisionati per estrarre segnali da un'ampia varietà di fonti di dati e creare potenti strategie di investimento.

Questo libro mostra come accedere a dati di mercato, fondamentali e alternativi tramite API o web scraping e offre un framework per valutare i dati alternativi. Si farà pratica con il metodo ML, dalla progettazione del modello, alla definizione delle metriche di perdita, alla messa a punto dei parametri, fino alla valutazione delle prestazioni in un contesto di serie temporali. Comprenderete gli algoritmi di ML, come i metodi bayesiani e di ensemble e il manifold learning, e saprete come addestrare e mettere a punto questi modelli utilizzando pandas, statsmodels, sklearn, PyMC3, xgboost, lightgbm e catboost. Questo libro insegna anche a estrarre caratteristiche dai dati di testo utilizzando spaCy, a classificare le notizie e ad assegnare punteggi di sentiment, nonché a utilizzare gensim per modellare gli argomenti e imparare gli embeddings di parole dai rapporti finanziari. Costruirete e valuterete anche reti neurali, tra cui RNN e CNN, utilizzando Keras e PyTorch per sfruttare i dati non strutturati per strategie sofisticate.

Infine, applicherete l'apprendimento per trasferimento alle immagini satellitari per prevedere l'attività economica e userete l'apprendimento per rinforzo per costruire agenti che imparano a fare trading nella palestra OpenAI.

Che cosa imparerete?

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

⬤ Sfruttare i dati di mercato, fondamentali e alternativi per la ricerca di fattori alfa.

⬤ Progettare e mettere a punto modelli di apprendimento supervisionati, non supervisionati e di rinforzo.

⬤ Ottimizzare il rischio e le prestazioni del portafoglio utilizzando pandas, NumPy e scikit-learn.

⬤ Integrare i modelli di apprendimento automatico in una strategia di trading live su Quantopian.

⬤ Valutare le strategie utilizzando metodologie di backtesting affidabili per le serie temporali.

⬤ Progettare e valutare reti neurali profonde utilizzando Keras, PyTorch e TensorFlow.

⬤ Lavorare con l'apprendimento per rinforzo per le strategie di trading nella palestra OpenAI.

Per chi è questo libro:

Hands-On Machine Learning for Algorithmic Trading è rivolto ad analisti di dati, data scientist e sviluppatori Python, nonché ad analisti di investimenti e gestori di portafoglio che lavorano nel settore finanziario e degli investimenti. Se volete eseguire un trading algoritmico efficiente sviluppando strategie di indagine intelligenti utilizzando algoritmi di apprendimento automatico, questo è il libro che fa per voi. È obbligatoria una certa conoscenza di Python e delle tecniche di apprendimento automatico.