Mastering Python for Finance - Seconda edizione: Implementare applicazioni statistiche finanziarie avanzate e all'avanguardia utilizzando Python

Recensioni dei lettori

Il libro è un'introduzione all'informatica finanziaria che copre importanti concetti finanziari e matematici, ma presenta anche diversi inconvenienti, tra cui fonti di dati obsolete, esempi di codifica scadenti e un supporto pratico inadeguato. Il libro ha ricevuto recensioni contrastanti: alcuni ne lodano la chiarezza e l'approccio alla finanza quantitativa, mentre altri lo criticano per la mancanza di profondità e di strumenti pratici.

⬤ Ben scritto e facile da seguire
⬤ Copre importanti metodi numerici e metodologie matematiche avanzate in Python
⬤ Fornisce indicazioni sulla costruzione e sul backtesting di strategie di trading algoritmico
⬤ Utile per i professionisti della finanza quantitativa.

⬤ Fonti di dati obsolete e dipendenza da abbonamenti a pagamento per i dati utili
⬤ Mancano esempi di programmazione dettagliati e supporto per le applicazioni pratiche
⬤ Alcuni errori concettuali notati dai recensori
⬤ Non è sufficientemente adatto ai principianti
⬤ Mancano sezioni importanti e supporto alla codifica per i database.

(basato su 8 recensioni dei lettori)

Titolo originale:

Mastering Python for Finance - Second Edition: Implement advanced state-of-the-art financial statistical applications using Python

Contenuto del libro:

Porta le tue competenze finanziarie al livello successivo padroneggiando applicazioni finanziarie matematiche e statistiche all'avanguardia.

Caratteristiche principali

⬤ Esplora i modelli finanziari avanzati utilizzati dall'industria e i modi per risolverli utilizzando Python.

⬤ Costruire infrastrutture all'avanguardia per la modellazione, la visualizzazione, il trading e altro ancora.

⬤ Potenziate le vostre applicazioni finanziarie applicando l'apprendimento automatico e l'apprendimento profondo.

Descrizione del libro

La seconda edizione di Mastering Python for Finance vi guiderà nell'esecuzione di complessi calcoli finanziari praticati nel settore della finanza utilizzando metodologie di nuova generazione. Imparerete a padroneggiare l'ecosistema Python sfruttando gli strumenti pubblicamente disponibili per eseguire con successo studi di ricerca e modellazione, e imparerete a gestire i rischi con l'aiuto di esempi avanzati.

Inizierete a configurare il vostro notebook Jupyter per implementare le attività del libro. Imparerete a prendere decisioni finanziarie efficienti e potenti basate sui dati utilizzando librerie popolari come TensorFlow, Keras, Numpy, SciPy e sklearn. Imparerete inoltre a costruire applicazioni finanziarie padroneggiando concetti quali azioni, opzioni, tassi di interesse e loro derivati e analisi del rischio con metodi computazionali. Con queste basi, imparerete ad applicare l'analisi statistica ai dati delle serie temporali e capirete come i dati delle serie temporali siano utili per implementare un sistema di backtesting guidato dagli eventi e per lavorare con i dati ad alta frequenza nella costruzione di una piattaforma di trading algoritmico. Infine, esplorerete le tecniche di machine learning e deep learning applicate alla finanza.

Alla fine di questo libro, sarete in grado di applicare Python a diversi paradigmi del settore finanziario e di eseguire un'analisi efficiente dei dati.

Che cosa imparerete?

⬤ Risolvere modelli lineari e non lineari che rappresentano vari problemi finanziari.

⬤ Eseguire l'analisi delle componenti principali dell'indice DOW e delle sue componenti.

⬤ Analizzare, predire e prevedere processi di serie temporali stazionarie e non stazionarie.

⬤ Creare uno strumento di backtesting guidato dagli eventi e misurare le vostre strategie.

⬤ Costruire una piattaforma di trading algoritmico ad alta frequenza con Python.

⬤ Riprodurre l'indice CBOT VIX con opzioni SPX per studiare le strategie basate sul VIX.

⬤ Eseguire compiti di apprendimento automatico basati su regressione e classificazione per la previsione.

⬤ Utilizzare TensorFlow e Keras nell'architettura delle reti neurali di apprendimento profondo.