کتاب Python for Finance and Algorithmic trading

توضیحات

کتاب Python for Finance and Algorithmic trading (پایتون برای تجارت مالی و الگوریتمی، ویرایش دوم: یادگیری ماشینی، یادگیری عمیق، تجزیه و تحلیل سری‌های زمانی، مدیریت ریسک و پورتفولیو برای MetaTrader™5 Live Trading) در 17 فصل به آموزش زبان برنامه‌نویسی پایتون جهت به کارگیری در تجارت مالی خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Python for Finance and Algorithmic trading را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Python for Finance and Algorithmic trading:

بخش مالی در حال تغییر ساختار قابل توجهی است. معامله گران و مدیران پورتفولیو به طور فزاینده ای به دانشمندان داده‌های مالی تبدیل می‌شوند. بانک‌ها، صندوق‌های تامینی و فین‌تک با ادغام الگوریتم‌های یادگیری ماشینی و یادگیری عمیق در فرآیند تصمیم‌گیری، سرمایه‌گذاری‌های خود را خودکار می‌کنند. این کتاب مزایای مدیریت پورتفولیو، آمار و یادگیری ماشینی را که برای تجارت زنده با متاتریدر 5 اعمال می‌شود، ارائه می‌کند.

بیشتر بخوانید: کتاب Financial Theory with Python

بخش 1 به مدیریت پورتفولیو، مدیریت ریسک و آزمایش برگشت اختصاص دارد. این فصول به ما امکان می‌دهد بفهمیم که چگونه استراتژی‌ها را ترکیب کنیم و برای درک استحکام استراتژی به کدام معیارها نگاه کنیم.

بخش 2 مدل‌های پیش‌بینی آماری را مورد بحث قرار می‌دهد. ما در مورد مدل آربیتراژ آماری و میانگین متحرک اتورگرسیو (ARMA) بحث خواهیم کرد و الگوریتم‌های طبقه‌بندی را از طریق رگرسیون لجستیک معرفی خواهیم کرد.

بخش 3 به ما درکی از مدل‌های پیش‌بینی یادگیری ماشین و یادگیری عمیق می‌دهد. ما این الگوریتم‌ها را با استفاده از استراتژی‌های معاملاتی خواهیم دید: ماشین‌های بردار پشتیبان (SVM)، درخت تصمیم، جنگل تصادفی، روش‌های مجموعه، شبکه عصبی مصنوعی (ANN)، شبکه عصبی بازگشتی (RNN)، شبکه عصبی کانولوشن مکرر (RCNN).

این کتاب با یک پروژه مشخص از A تا Z به پایان می‌رسد:  وارد کردن داده‌ها از کارگزار شما، ایجاد مجموعه‌ای از استراتژی‌های معاملاتی، استقرار در معاملات زنده یا استفاده از غربالگر.

سرفصل‌های کتاب Python for Finance and Algorithmic trading:

• Why should you read this book?
• Chapter 1: Read me
• Chapter 2: Prerequisites
• Chapter 3: Static Portfolio management
• Chapter 4: Tactical portfolio management
• Chapter 5: Risk management and backtesting
• Chapter 6: Advanced backtest methods
• Chapter 7: Statistical arbitrage Trading
• Chapter 8: Auto Regressive Moving Average model (ARMA)
• Chapter 9: Linear regression and logistic regression
• Chapter 10: Features and target engineering
• Chapter 11: Support vector machine (SVM)
• Chapter 12: Ensemble methods and decision tree
• Chapter 13: Deep Neural Networks (DNN)
• Chapter 14: Recurrent neural network
• Chapter 15: Bonus / Example of RNN with CNN (RCNN)
• Chapter 16: Real-life full project
• Chapter 17: From nothing to live trading
• Annex: Compounding versus simple interest
• Annex: Save and load scikit-learn and Tensorflow models
• Annex: MetaTrader class
• Additional readings

جهت دانلود کتاب Python for Finance and Algorithmic trading می‌توانید پس از پرداخت، دریافت کنید.