Implementare l'apprendimento automatico per la finanza: Un approccio sistematico all'analisi predittiva del rischio e delle prestazioni per i portafogli di investimento

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios

Contenuto del libro:

Riunire l'apprendimento automatico (ML) e l'apprendimento profondo (DL) nel trading finanziario, con particolare attenzione alla gestione degli investimenti. Questo libro spiega gli approcci sistematici alla gestione del portafoglio di investimento, all'analisi del rischio e all'analisi delle performance, compresa l'analisi predittiva che utilizza le procedure della scienza dei dati.

Il libro introduce il riconoscimento dei pattern e la previsione dei prezzi futuri che esercita effetti sui modelli di analisi delle serie temporali, come il modello ARIMA (Autoregressive Integrated Moving Average), il modello SARIMA (Seasonal ARIMA) e il modello additivo, e copre il modello ai minimi quadrati e il modello LSTM (Long Short-Term Memory). Presenta il riconoscimento di pattern nascosti e la previsione del regime di mercato applicando il modello di Markov Gaussiano Nascosto. Il libro tratta l'applicazione pratica del modello K-Means nel clustering dei titoli. Il libro illustra l'applicazione pratica del metodo della varianza-covarianza e del metodo della simulazione (utilizzando la simulazione Monte Carlo) per la stima del valore a rischio. Include anche la classificazione della direzione del mercato utilizzando il classificatore logistico e il classificatore Multilayer Perceptron. Infine, il libro presenta l'analisi della performance e del rischio dei portafogli di investimento.

Alla fine di questo libro, dovreste essere in grado di spiegare il funzionamento del trading algoritmico e la sua applicazione pratica nel mondo reale, e sapere come applicare modelli ML e DL supervisionati e non supervisionati per rafforzare le decisioni di investimento e implementare e ottimizzare strategie e sistemi di investimento.

Cosa imparerete

⬤ Comprendere i fondamenti del mercato finanziario e del trading algoritmico, nonché i modelli di apprendimento supervisionati e non supervisionati adatti alla gestione sistematica del portafoglio di investimento.

⬤ Conoscere i concetti di feature engineering, visualizzazione dei dati e ottimizzazione degli iperparametri.

⬤ Progettare, costruire e testare modelli ML e DL supervisionati e non supervisionati.

⬤ Scoprire stagionalità, tendenze e regimi di mercato, simulando un cambiamento nel mercato e nei problemi di strategia di investimento e prevedendo la direzione e i prezzi del mercato.

⬤ Strutturare e ottimizzare un portafoglio di investimento con le principali classi di attività e misurare il rischio sottostante.

Per chi è questo libro?

Data scientist principianti e intermedi, ingegneri dell'apprendimento automatico, dirigenti d'azienda e professionisti della finanza (come analisti di investimento e trader).