Машинне навчання для алгоритмічної торгівлі на фінансових ринках. Практичним

Книга присвячена практиці застосування машинного навчання для створення потужних алгоритмічних стратегій для успішної торгівлі на фінансових ринках.

Викладені базові принципи роботи з даними: оцінювання наборів даних, доступ до даних через API мовою Python, доступ до фінансових даних на платформі Quandl і керування помилками передбачення. Розглянуті побудова та тренування алгоритмічних моделей за допомогою Python-бібліотек pandas, Seaborn, StatsModels і sklearn і побудова, оцінка та інтерпретація моделей AR(p), MA(q) і ARIMA (p, d, q) з використанням бібліотеки StatsModels. Описане застосування бібліотеки PyMC3 для байсового машинного навчання, бібліотек NLTK, sklearn (Scikit-learn) і spaCy для призначення відміток фінансових новинок і класифікації документів, бібліотеки Keras для створення, настроювання та оцінки нейронних мереж прямого поширення, рекуратних і сверткових мереж. Показано, як застосовувати трансферне навчання до даних супутникових знімків для передбачення економії та як ефективно використовувати підкріплюване навчання для досягнення оптимальних результатів торгівлі.