Купить книгу Машинное обучение для торговли: дисциплинированный рабочий процесс от исследования до исполнения сделок в режиме реального времени, с девятью примерами из практики и агентами искусственного интеллекта на русском [PDF, EPUB, FB2, MOBI]

Создавайте и развертывайте торговые системы на основе ИИ, используя 7-этапный рабочий процесс с применением pandas, Polars, LightGBM, PyTorch, Optuna, zipline-reloaded, MLflow, Feast и SHAP.

Основные характеристики

• Создавайте конвейеры обработки данных на определенный момент времени, интегрируйте альтернативные данные и обеспечивайте целостность данных.
• Создавайте и проверяйте прогностические модели с использованием GBM, трансформеров и методов причинно-следственного анализа для получения надежных и интерпретируемых альфа-сигналов.
• Внедрить системы RAG, автономных финансовых агентов и генераторы синтетических данных на основе диффузии.

Описание книги

Стремительный рост искусственного интеллекта и растущая сложность финансовых рынков превратили количественную торговлю в дисциплину, основанную на данных и процессах. Это третье издание представляет собой всеобъемлющий план разработки, проверки и внедрения систематических торговых стратегий, основанных на современных методах машинного обучения.

В нем представлен 7-этапный рабочий процесс ML4T — профессиональная структура, объединяющая проектирование данных, разработку моделей, проверку и развертывание в режиме реального времени в единый целостный процесс. Демонстрируется, как преобразовать необработанные рыночные, фундаментальные и альтернативные данные в прогнозные сигналы и надежные, готовые к внедрению торговые системы.

Вы научитесь создавать сложные конвейеры для проектирования признаков, оценки моделей и оптимизации портфеля, используя такие библиотеки, как Polars, LightGBM, PyTorch и Optuna.

Практические блокноты иллюстрируют каждый этап рабочего процесса, от факторного тестирования и бэктестинга с использованием Zipline Reloaded до развертывания в реальных условиях с помощью инструментов MLOps, таких как MLflow, Feast и Prometheus. Дополнительное описание генерации синтетических данных, графовых нейронных сетей и обучения с подкреплением расширяет инструментарий для построения устойчивых, адаптивных стратегий, успешно работающих на динамичных рынках.

К концу этой книги вы научитесь создавать собственную промышленную «альфа-фабрику».

Что вы узнаете

• Преобразуйте исходные данные в прогнозные альфа-факторы, проверенные с помощью надежной перекрестной проверки.
• Освойте сложные модели, от градиентного бустинга до трансформеров, графовых нейронных сетей и агентов обучения с подкреплением.
• Используйте генеративный искусственный интеллект, дополненную генерацию информации и причинно-следственный анализ, чтобы сделать модели интерпретируемыми, поддающимися аудиту и соответствующим нормативным стандартам.
• Создайте готовую к внедрению торговую инфраструктуру, используя MLOps, хранилища функций и мониторинг моделей, чтобы безопасно перевести результаты исследований в реальное использование капитала.

Для кого предназначена эта книга?

Если вы аналитик данных, специалист по обработке данных, разработчик на Python, инвестиционный аналитик или управляющий портфелем, заинтересованный в получении практических знаний в области машинного обучения для торговли, эта книга для вас. Эта книга для вас, если вы хотите научиться извлекать пользу из разнообразных источников данных, используя машинное обучение для разработки собственных систематических торговых стратегий.

Требуется некоторое понимание языка Python и методов машинного обучения.

Оглавление

1. Процесс — ваше преимущество
2. Финансовая вселенная данных
3. Микроструктура рынка
4. Фундаментальные и альтернативные данные
5. Синтетические финансовые данные
6. Рамочная программа стратегических исследований
7. Определение учебной задачи
8. Разработка финансовых функций
9. Извлечение признаков на основе модели
10. Разработка текстовых элементов
11. Конвейер машинного обучения
12. Расширенные модели для табличных данных
13. Глубокое обучение для анализа временных рядов
14. Модели скрытых факторов
15. Причинно-следственное машинное обучение
16. Моделирование стратегии
17. Формирование портфеля
18. Транзакционные издержки
19. Управление рисками
20. Синтез стратегий
21. Обучение с подкреплением
22. РАГ по финансовым исследованиям
23. Графы знаний
24. Автономные агенты
25. Торговые системы в реальном времени
26. MLOps и управление
27. Систематическое преимущество