| |
金融機器學習與資料科學藍圖
|
|
| Machine Learning and Data Science Blueprints for Finance |
|
|
| |
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
| |
|
|
| |
從建構交易策略到使用Python的機器人投資顧問
機器學習和資料科學將在未來幾年顯著改變金融業。透過本實用指南，避險基金、投資和零售銀行以及金融科技公司的專業人士將學到如何建構對該行業極為關重要的ML演算法。您將研究ML概念和20多個案例研究，包括了監督式、非監督式和強化學習，以及自然語言處理(natural language processing, NLP)。
分析師、交易員、研究人員和開發人員還將深入研究投資組合管理、演算法交易、衍生性商品定價、詐欺偵測、資產價格預測、情緒分析和聊天機器人開發。您將探索現實生活中的問題，並學習以程式碼和範例作為後盾的科學上合理的解決方案。
本書包括：
．基於迴歸的監督式學習交易策略和衍生性商品定價模型
．基於分類的監督式學習信用違約風險預測與詐欺偵測模型
．投資組合管理與收益率曲線建構中的降維技術及實例研究
．利用演算法和分群技術尋找交易策略和投資組合管理中相似物件的案例研究
．建立交易策略的強化學習模型和技巧，衍生性商品避險和投資組合管理
．使用Python函式庫(例如NLTK和Scikit-learn)的NLP技術 |
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
作者簡介
Hariom Tatsat
是紐約一家投資銀行計量分析部門的副總裁。他在預測建模、金融商品定價和風險管理方面擁有豐富的經驗。
Sahil Puri
是一位計量研究人員，他將多種基於統計和機器學習的技術應用於各式各樣的問題。
Brad Lookabaugh
是Unison投資管理公司投資組合管理副總裁。
|
|
| |
|
|
| |
|
|
| |
|
|
|
