Машинне навчання для алгоритмічної торгівлі на фінансових ринках. Практикум

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

Викладено базові принципи роботи з даними: оцінювання наборів даних, доступ до даних через API на мові Python, доступ до фінансових даними на платформі Quandl і управління помилками передбачення. Розглянуто побудову і тренування алгоритмічних моделей з допомогою Python-бібліотек pandas, Seaborn, StatsModels і sklearn і побудова, оцінка та інтерпретація моделей AR(p), MA(q) та ARIMA(p, d, q) з використанням бібліотеки StatsModels. Описано застосування бібліотеки PyMC3 для байесового машинного навчання, бібліотек NLTK, sklearn (Scikit-learn) і spaCy для призначення відміток фінансових новин і класифікування документів, бібліотеки Keras для створення, налаштування та оцінки нейронних мереж прямого поширення, рекурентних та згорткових мереж. Показано, як застосовувати трансферне навчання до даними супутникових знімків для передбачення економічної активності і як ефективно використовувати подкрепляемое навчання для досягнення оптимальних результатів торгівлі.