کتاب Machine Learning for Algorithmic Trading

شما باید در استفاده از پایتون 3 و کتابخانه‌های محاسبات علمی مانند NumPy، pandas یا SciPy راحت باشید و مشتاق یادگیری بسیاری از موارد دیگر در طول مسیر باشید.

مقداری تجربه با یادگیری ماشین و scikit-learn مفید خواهد بود، اما ما به طور خلاصه گردش کار اساسی را پوشش داده و به منابع مختلف برای پر کردن شکاف‌ها یا کاوش عمیق‌تر ارجاع می‌دهیم. به طور مشابه، دانش اولیه در مورد امور مالی و سرمایه‌گذاری درک برخی اصطلاحات را آسان‌تر می‌کند.

محتوای کتاب Machine Learning for Algorithmic Trading

این کتاب یک مقدمه جامع در مورد چگونگی ارزش‌افزایی یادگیری ماشین به طراحی و اجرای استراتژی‌های معاملاتی ارائه می‌دهد. این کتاب در چهار بخش سازماندهی شده است که جنبه‌های مختلف فرآیند منبع‌یابی داده و توسعه استراتژی و همچنین راه‌حل‌های مختلف برای چالش‌های متنوع یادگیری ماشین را پوشش می‌دهد.

بخش 1 – داده‌ها، فاکتورهای آلفا و پورتفولیوها

بخش اول کتاب Machine Learning for Algorithmic Trading جنبه‌های اساسی مرتبط با استراتژی‌های معاملاتی که از یادگیری ماشین استفاده می‌کنند را پوشش می‌دهد.

این بخش بر داده‌هایی که الگوریتم‌ها و استراتژی‌های یادگیری ماشین مورد بحث در این کتاب را هدایت می‌کنند، تمرکز دارد، نحوه مهندسی ویژگی‌هایی که محتوای سیگنال داده‌ها را ثبت می‌کنند را شرح می‌دهد و توضیح می‌دهد که چگونه عملکرد یک پورتفولیو را بهینه و ارزیابی کنید.

• فصل 1 کتاب Machine Learning for Algorithmic Trading، یادگیری ماشین برای معاملات – از ایده تا اجرا، خلاصه می‌کند که چگونه و چرا یادگیری ماشین برای معاملات اهمیت پیدا کرد، فرآیند سرمایه‌گذاری را شرح می‌دهد و توضیح می‌دهد که چگونه یادگیری ماشین می‌تواند ارزش افزوده ایجاد کند.
• فصل 2 کتاب Machine Learning for Algorithmic Trading، داده‌های بازار و بنیادی – منابع و تکنیک‌ها، نحوه منبع‌یابی و کار با داده‌های بازار، از جمله داده‌های تیک ارائه شده توسط صرافی و گزارش‌های مالی را پوشش می‌دهد. همچنین دسترسی به منابع متعدد داده‌های متن باز که در سراسر این کتاب به آنها تکیه خواهیم کرد را نشان می‌دهد.
• فصل 3 کتاب Machine Learning for Algorithmic Trading، داده‌های جایگزین برای امور مالی – دسته‌ها و موارد استفاده، دسته‌ها و معیارهای ارزیابی تعداد فزاینده منابع و ارائه‌دهندگان را توضیح می‌دهد. همچنین نحوه ایجاد مجموعه‌های داده جایگزین با خراشیدن وب‌سایت‌ها، به عنوان مثال، برای جمع‌آوری متن تماس‌های درآمد برای استفاده با پردازش زبان طبیعی (NLP) و تجزیه و تحلیل احساسات، که در بخش دوم کتاب به آن می‌پردازیم، را نشان می‌دهد.
• فصل 4 کتاب Machine Learning for Algorithmic Trading، مهندسی ویژگی‌های مالی – نحوه تحقیق در مورد فاکتورهای آلفا، فرآیند ایجاد و ارزیابی تبدیل‌های داده که سیگنال پیش‌بینی‌کننده را ثبت می‌کنند را ارائه می‌دهد و نحوه اندازه‌گیری عملکرد فاکتور را نشان می‌دهد. همچنین بینش‌های حاصل از تحقیقات در مورد عوامل ریسک را که هدفشان توضیح آلفا در بازارهای مالی است که در غیر این صورت کارآمد تلقی می‌شوند، خلاصه می‌کند. علاوه بر این، نحوه مهندسی فاکتورهای آلفا با استفاده از کتابخانه‌های پایتون به صورت آفلاین را نشان می‌دهد و کتابخانه‌های Zipline و Alphalens را برای بک‌تست فاکتورها و ارزیابی قدرت پیش‌بینی آنها معرفی می‌کند.
• فصل 5 کتاب Machine Learning for Algorithmic Trading، بهینه‌سازی پورتفولیو و ارزیابی عملکرد، نحوه مدیریت، بهینه‌سازی و ارزیابی یک پورتفولیو حاصل از اجرای یک استراتژی را معرفی می‌کند. معیارهای ریسک را ارائه می‌دهد و نحوه اعمال آنها با استفاده از کتابخانه‌های Zipline و pyfolio را نشان می‌دهد. همچنین روش‌هایی را برای بهینه‌سازی یک استراتژی از منظر ریسک پورتفولیو معرفی می‌کند.

بخش 2 – یادگیری ماشین برای معاملات – اصول

بخش دوم کتاب Machine Learning for Algorithmic Trading نشان می‌دهد که چگونه الگوریتم‌های اساسی یادگیری نظارت‌شده و نظارت‌نشده می‌توانند در چارچوب یک گردش کار سرتاسری، به استراتژی‌های معاملاتی اطلاع دهند.

• فصل 6 کتاب Machine Learning for Algorithmic Trading، فرآیند یادگیری ماشین، با شرح نحوه فرمول‌بندی، آموزش، تنظیم و ارزیابی عملکرد پیش‌بینی‌کننده مدل‌های یادگیری ماشین به روشی سیستماتیک، زمینه را فراهم می‌کند. همچنین به نگرانی‌های خاص دامنه، مانند استفاده از اعتبارسنجی متقابل با سری‌های زمانی مالی برای انتخاب بین مدل‌های یادگیری ماشین جایگزین، می‌پردازد.
• فصل 7 کتاب Machine Learning for Algorithmic Trading، مدل‌های خطی – از عوامل ریسک تا پیش‌بینی بازده، نحوه استفاده از رگرسیون خطی و لجستیک برای استنتاج و پیش‌بینی و نحوه استفاده از منظم‌سازی برای مدیریت ریسک بیش‌برازش را نشان می‌دهد. نحوه پیش‌بینی بازده سهام ایالات متحده یا جهت حرکات آینده آنها و نحوه ارزیابی محتوای سیگنال این پیش‌بینی‌ها با استفاده از Alphalens را نشان می‌دهد.
• فصل 8، گردش کار ML4T – از مدل تا بک‌تستینگ استراتژی، بلوک‌های ساختمانی مختلف گردش کار ML4T را که تاکنون به طور جداگانه مورد بحث قرار گرفته‌اند، ادغام می‌کند. دیدگاهی سرتاسری در مورد فرآیند طراحی، شبیه‌سازی و ارزیابی یک استراتژی معاملاتی مبتنی بر یک الگوریتم یادگیری ماشین ارائه می‌دهد. برای این منظور، نحوه بک‌تست یک استراتژی مبتنی بر یادگیری ماشین را در یک زمینه بازار تاریخی با استفاده از کتابخانه‌های پایتون backtrader و Zipline نشان می‌دهد.

• فصل 9 کتاب Machine Learning for Algorithmic Trading، مدل‌های سری زمانی برای پیش‌بینی نوسانات و آربیتراژ آماری، تشخیص‌ها و مدل‌های سری زمانی تک متغیره و چند متغیره، از جمله مدل‌های خودرگرسیون برداری و همچنین مدل‌های ARCH/GARCH برای پیش‌بینی نوسانات را پوشش می‌دهد. همچنین هم‌جمعی را معرفی می‌کند و نحوه استفاده از آن را برای یک استراتژی معاملات جفتی با استفاده از مجموعه‌ای متنوع از صندوق‌های قابل معامله در بورس (ETF) نشان می‌دهد.
• فصل 10 کتاب Machine Learning for Algorithmic Trading، یادگیری ماشین بیزی – نسبت‌های شارپ پویا و معاملات جفتی، مدل‌های احتمالی و نحوه تسهیل استنتاج تقریبی توسط نمونه‌برداری زنجیره مارکوف مونت کارلو (MCMC) و بیز متغیر را ارائه می‌کند. همچنین نشان می‌دهد که چگونه از PyMC3 برای برنامه‌نویسی احتمالی برای کسب بینش عمیق‌تر در مورد عدم قطعیت پارامتر و مدل، به عنوان مثال، هنگام ارزیابی عملکرد پورتفولیو، استفاده کنید.
• فصل 11 کتاب Machine Learning for Algorithmic Trading، جنگل‌های تصادفی – یک استراتژی بلند-کوتاه برای سهام ژاپنی، نحوه ساخت، آموزش و تنظیم مدل‌های غیرخطی مبتنی بر درخت را برای بینش و پیش‌بینی نشان می‌دهد. گروه‌های مبتنی بر درخت را معرفی می‌کند و نشان می‌دهد که چگونه جنگل‌های تصادفی از تجمیع بوت‌استرپ برای غلبه بر برخی از نقاط ضعف درختان تصمیم استفاده می‌کنند. سپس به توسعه و بک‌تست یک استراتژی بلند-کوتاه برای سهام ژاپنی می‌پردازیم.
• فصل 12 کتاب Machine Learning for Algorithmic Trading، تقویت استراتژی معاملاتی شما، تقویت گرادیان را معرفی می‌کند و نحوه استفاده از کتابخانه‌های XGBoost، LightBGM و CatBoost را برای آموزش و پیش‌بینی با عملکرد بالا نشان می‌دهد. نحوه تنظیم هایپرپارامترهای متعدد و تفسیر مدل با استفاده از مقادیر SHapley Additive exPlanation (SHAP) را قبل از ساخت و ارزیابی استراتژی که سهام ایالات متحده را بر اساس پیش‌بینی بازده LightGBM معامله می‌کند، بررسی می‌کند.
• فصل 13، عوامل ریسک مبتنی بر داده و تخصیص دارایی با یادگیری نظارت‌نشده، نحوه استفاده از کاهش ابعاد و خوشه‌بندی برای معاملات الگوریتمی را نشان می‌دهد. از تحلیل مولفه‌های اصلی و مستقل برای استخراج عوامل ریسک مبتنی بر داده و تولید پورتفولیوهای ویژه استفاده می‌کند. چندین تکنیک خوشه‌بندی را ارائه می‌دهد و استفاده از خوشه‌بندی سلسله مراتبی را برای تخصیص دارایی نشان می‌دهد.

بخش 3 – پردازش زبان طبیعی

بخش 3 کتاب Machine Learning for Algorithmic Trading بر داده‌های متنی تمرکز دارد و تکنیک‌های یادگیری نظارت‌نشده پیشرفته را برای استخراج سیگنال‌های با کیفیت بالا از این منبع کلیدی داده‌های جایگزین معرفی می‌کند.

• فصل 14 کتاب Machine Learning for Algorithmic Trading، داده‌های متنی برای معاملات – تحلیل احساسات، نحوه تبدیل داده‌های متنی به فرمت عددی را نشان می‌دهد و الگوریتم‌های طبقه‌بندی از بخش 2 را برای تحلیل احساسات در مجموعه‌های داده بزرگ اعمال می‌کند.