Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум

Книга посвящена практике применения машинного обучения для создания мощных алгоритмических стратегий торговли на финансовых рынках. Рассматриваются базовые принципы работы с данными: оценка наборов данных, доступ к данным через API на Python, работа с финансовыми данными на платформе Quandl и управление ошибками предсказания.

Подробно описывается построение и тренировка алгоритмических моделей с использованием библиотек pandas, Seaborn, StatsModels и sklearn, включая модели AR(p), MA(q) и ARIMA(p, d, q). Отдельное внимание уделяется байесовскому машинному обучению с PyMC3, обработке естественного языка для анализа финансовых новостей с помощью NLTK, sklearn и spaCy.

Книга охватывает создание, настройку и оценку нейронных сетей прямого распространения, рекуррентных и сверточных сетей с использованием Keras. Показано применение трансферного обучения к данным спутниковых снимков для предсказания экономической активности и использование подкрепляемого обучения для оптимизации торговых стратегий.

Издание предназначено для финансовых аналитиков и программистов на Python, желающих освоить современные методы машинного обучения в контексте алгоритмической торговли. Практическая направленность книги позволяет сразу применять полученные знания на реальных данных.