یادگیری ماشین برای معاملات الگوریتمی؛ مدل های پیش بینی برای استخراج سیگنال از بازار و داده های جایگزین برای استراتژی های معاملاتی سیستماتیک با پایتون

از یادگیری ماشین برای طراحی و بک‌تست استراتژی‌های معاملاتی خودکار برای بازارهای دنیای واقعی با استفاده از pandas، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، backtrader، Alphalens و pyfolio استفاده کنید.

ویژگی‌های کلیدی

طراحی، آموزش و ارزیابی الگوریتم‌های یادگیری ماشین که زیربنای استراتژی‌های معاملاتی خودکار هستند
ایجاد یک فرآیند تحقیق و توسعه استراتژی برای اعمال مدل‌سازی پیش‌بینی‌کننده در تصمیمات معاملاتی
استفاده از NLP و یادگیری عمیق برای استخراج سیگنال‌های قابل معامله از داده‌های بازار و جایگزین

شرح کتاب

رشد انفجاری داده‌های دیجیتال، تقاضا برای تخصص در استراتژی‌های معاملاتی که از یادگیری ماشین (ML) استفاده می‌کنند را افزایش داده است. این ویرایش دوم اصلاح‌شده و گسترش‌یافته شما را قادر می‌سازد مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویت‌شده پیچیده را بسازید و ارزیابی کنید.

این کتاب، یادگیری ماشین سرتاسری را برای گردش کار معاملاتی، از مهندسی ایده و ویژگی گرفته تا بهینه‌سازی مدل، طراحی استراتژی و بک‌تست، معرفی می‌کند. این کتاب با استفاده از مثال‌هایی از مدل‌های خطی و گروه‌های مبتنی بر درخت گرفته تا تکنیک‌های یادگیری عمیق از تحقیقات پیشرفته، این موضوع را نشان می‌دهد.

این ویرایش نشان می‌دهد که چگونه با داده‌های بازار، بنیادی و جایگزین، مانند داده‌های تیک، میله‌های دقیقه‌ای و روزانه، بایگانی‌های SEC، رونوشت‌های پیش‌بینی سود، اخبار مالی یا تصاویر ماهواره‌ای برای تولید سیگنال‌های قابل معامله کار کنید. این کتاب نحوه مهندسی ویژگی‌های مالی یا عوامل آلفا را نشان می‌دهد که یک مدل یادگیری ماشین را قادر می‌سازد تا بازده را از داده‌های قیمت برای سهام و ETF های ایالات متحده و بین‌المللی پیش‌بینی کند. همچنین نشان می‌دهد که چگونه محتوای سیگنال ویژگی‌های جدید را با استفاده از مقادیر Alphalens و SHAP ارزیابی کنید و شامل یک پیوست جدید با بیش از صد مثال عامل آلفا است.

در پایان، شما در تبدیل پیش‌بینی‌های مدل یادگیری ماشین به یک استراتژی معاملاتی که در افق‌های روزانه یا میان روزی عمل می‌کند و در ارزیابی عملکرد آن مهارت خواهید داشت.

آنچه خواهید آموخت

استفاده از داده‌های بازار، فاندامنتال و متن و تصویر جایگزین
تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، Alphalens و مقادیر SHAP
پیاده‌سازی تکنیک‌های یادگیری ماشین برای حل مشکلات سرمایه‌گذاری و معاملات
آزمون مجدد و ارزیابی استراتژی‌های معاملاتی مبتنی بر یادگیری ماشین با استفاده از Zipline و Backtrader
بهینه‌سازی ریسک و تحلیل عملکرد سبد سهام با استفاده از pandas، NumPy و pyfolio
ایجاد یک استراتژی معاملاتی جفتی مبتنی بر هم انباشتگی برای سهام و ETF های ایالات متحده
آموزش یک مدل تقویت گرادیان برای پیش‌بینی بازده روزانه با استفاده از داده‌های معاملات و نقل قول‌های با کیفیت بالای AlgoSeek

این کتاب برای چه کسانی مناسب است؟

اگر شما یک تحلیلگر داده، دانشمند داده، توسعه‌دهنده پایتون، تحلیلگر سرمایه‌گذاری یا مدیر پرتفوی هستید که علاقه‌مند به کسب دانش عملی یادگیری ماشین برای تجارت هستید، این کتاب برای شما مناسب است. اگر می‌خواهید یاد بگیرید که چگونه با استفاده از یادگیری ماشین، از مجموعه‌ای متنوع از منابع داده، ارزش استخراج کنید تا استراتژی‌های معاملاتی سیستماتیک خود را طراحی کنید، این کتاب برای شماست.

درک کمی از پایتون و تکنیک‌های یادگیری ماشین مورد نیاز است.

فهرست مطالب

یادگیری ماشین برای تجارت – از ایده تا اجرا
داده‌های بازار و بنیادی – منابع و تکنیک‌ها
داده‌های جایگزین برای امور مالی – دسته‌ها و موارد استفاده
مهندسی ویژگی‌های مالی – نحوه تحقیق در مورد عوامل آلفا
بهینه‌سازی پرتفوی و ارزیابی عملکرد
فرآیند یادگیری ماشین
مدل‌های خطی – از عوامل ریسک تا پیش‌بینی‌های بازده
گردش کار ML4T – از مدل تا آزمون بازخورد استراتژی
مدل‌های سری زمانی برای پیش‌بینی‌های نوسان و آربیتراژ آماری
یادگیری ماشین بیزی – نسبت‌های شارپ پویا و معاملات جفتی