لایب سان

Leverage machine learning to design and back-test automated trading strategies for real-world markets using pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens, and pyfolio.

Key Features

• Design, train, and evaluate machine learning algorithms that underpin automated trading strategies
• Create a research and strategy development process to apply predictive modeling to trading decisions
• Leverage NLP and deep learning to extract tradeable signals from market and alternative data

Book Description

The explosive growth of digital data has boosted the demand for expertise in trading strategies that use machine learning (ML). This revised and expanded second edition enables you to build and evaluate sophisticated supervised, unsupervised, and reinforcement learning models.

This book introduces end-to-end machine learning for the trading workflow, from the idea and feature engineering to model optimization, strategy design, and backtesting. It illustrates this by using examples ranging from linear models and tree-based ensembles to deep-learning techniques from cutting edge research.

This edition shows how to work with market, fundamental, and alternative data, such as tick data, minute and daily bars, SEC filings, earnings call transcripts, financial news, or satellite images to generate tradeable signals. It illustrates how to engineer financial features or alpha factors that enable an ML model to predict returns from price data for US and international stocks and ETFs. It also shows how to assess the signal content of new features using Alphalens and SHAP values and includes a new appendix with over one hundred alpha factor examples.

By the end, you will be proficient in translating ML model predictions into a trading strategy that operates at daily or intraday horizons, and in evaluating its performance.

What you will learn

• Leverage market, fundamental, and alternative text and image data
• Research and evaluate alpha factors using statistics, Alphalens, and SHAP values
• Implement machine learning techniques to solve investment and trading problems
• Backtest and evaluate trading strategies based on machine learning using Zipline and Backtrader
• Optimize portfolio risk and performance analysis using pandas, NumPy, and pyfolio
• Create a pairs trading strategy based on cointegration for US equities and ETFs
• Train a gradient boosting model to predict intraday returns using AlgoSeek's high-quality trades and quotes data

Who this book is for

If you are a data analyst, data scientist, Python developer, investment analyst, or portfolio manager interested in getting hands-on machine learning knowledge for trading, this book is for you. This book is for you if you want to learn how to extract value from a diverse set of data sources using machine learning to design your own systematic trading strategies.

Some understanding of Python and machine learning techniques is required.

Table of Contents

(N.B. Please use the Look Inside option to see further chapters)

1. Machine Learning for Trading – From Idea to Execution
2. Market and Fundamental Data – Sources and Techniques
3. Alternative Data for Finance – Categories and Use Cases
4. Financial Feature Engineering – How to Research Alpha Factors
5. Portfolio Optimization and Performance Evaluation
6. The Machine Learning Process
7. Linear Models – From Risk Factors to Return Forecasts
8. The ML4T Workflow – From Model to Strategy Backtesting
9. Time-Series Models for Volatility Forecasts and Statistical Arbitrage
10. Bayesian ML – Dynamic Sharpe Ratios and Pairs Trading

چکیده فارسی

از یادگیری ماشین برای طراحی و آزمایش مجدد استراتژی‌های معاملاتی خودکار برای بازارهای دنیای واقعی با استفاده از پانداها، TA-Lib، scikit-learn، LightGBM، SpaCy، Gensim، TensorFlow 2، Zipline، Backtrader، Alphalens و pyfolio.

ویژگی های کلیدی

• طراحی، آموزش و ارزیابی الگوریتم‌های یادگیری ماشینی که زیربنای استراتژی‌های معاملاتی خودکار هستند
• یک فرآیند تحقیق و توسعه استراتژی برای اعمال مدل‌سازی پیش‌بینی‌کننده در تصمیم‌گیری‌های معاملاتی ایجاد کنید
• از NLP و یادگیری عمیق برای استخراج سیگنال های قابل معامله از بازار و داده های جایگزین استفاده کنید

شرح کتاب

رشد انفجاری داده‌های دیجیتال، تقاضا برای تخصص در استراتژی‌های معاملاتی که از یادگیری ماشین (ML) استفاده می‌کنند، افزایش داده است. این ویرایش دوم اصلاح‌شده و توسعه‌یافته شما را قادر می‌سازد تا مدل‌های یادگیری تقویت‌شده تحت نظارت، بدون نظارت و تقویت‌شده را بسازید و ارزیابی کنید.

این کتاب یادگیری ماشینی سرتاسری را برای گردش کار معاملاتی، از مهندسی ایده و ویژگی تا بهینه‌سازی مدل، طراحی استراتژی، و بک تست معرفی می‌کند. این موضوع را با استفاده از مثال‌هایی از مدل‌های خطی و مجموعه‌های مبتنی بر درخت تا تکنیک‌های یادگیری عمیق از تحقیقات پیشرفته نشان می‌دهد.

این نسخه نحوه کار با داده‌های بازار، اساسی و جایگزین را نشان می‌دهد، مانند داده‌های تیک، نوارهای دقیقه و روزانه، پرونده‌های SEC، رونوشت‌های تماس‌های درآمدی، اخبار مالی، یا تصاویر ماهواره‌ای برای تولید سیگنال‌های قابل معامله. این نشان می‌دهد که چگونه می‌توان ویژگی‌های مالی یا عوامل آلفا را مهندسی کرد که یک مدل ML را قادر می‌سازد تا بازدهی از داده‌های قیمت را برای سهام ایالات متحده و بین‌المللی و ETFها پیش‌بینی کند. همچنین نحوه ارزیابی محتوای سیگنال ویژگی‌های جدید را با استفاده از مقادیر Alphalens و SHAP نشان می‌دهد و شامل یک پیوست جدید با بیش از صد مثال عامل آلفا می‌شود.

در پایان، در تبدیل پیش‌بینی‌های مدل ML به یک استراتژی معاملاتی که در افق‌های روزانه یا روزانه عمل می‌کند و در ارزیابی عملکرد آن مهارت خواهید داشت.

آنچه یاد خواهید گرفت

• داده‌های متن و تصویر بازار، بنیادی و جایگزین
• تحقیق و ارزیابی عوامل آلفا با استفاده از آمار، Alphalens و مقادیر SHAP
• تکنیک‌های یادگیری ماشین را برای حل مشکلات سرمایه‌گذاری و تجارت پیاده‌سازی کنید
• راهبردهای معاملاتی را بر اساس یادگیری ماشینی با استفاده از Zipline و Backtrader آزمایش و ارزیابی کنید
• بهینه سازی ریسک و تجزیه و تحلیل عملکرد پورتفولیو با استفاده از پانداها، NumPy و pyfolio
• یک استراتژی تجارت جفت بر اساس ادغام مشترک برای سهام و ETFهای ایالات متحده ایجاد کنید
• آموزش یک مدل افزایش گرادیان برای پیش‌بینی بازده روزانه با استفاده از معاملات با کیفیت بالا و داده‌های مظنه AlgoSeek

این کتاب برای چه کسی است

اگر شما یک تحلیلگر داده، دانشمند داده، توسعه دهنده پایتون، تحلیلگر سرمایه گذاری، یا مدیر پورتفولیو هستید که علاقه مند به کسب دانش یادگیری ماشینی عملی برای تجارت هستید، این کتاب برای شما مناسب است. اگر می خواهید بیاموزید که چگونه با استفاده از یادگیری ماشین، ارزش را از مجموعه متنوعی از منابع داده استخراج کنید تا استراتژی های معاملاتی سیستماتیک خود را طراحی کنید، این کتاب برای شما مناسب است.

درکی از پایتون و تکنیک های یادگیری ماشین لازم است.

فهرست محتوا

(نکته لطفاً از گزینه Look Inside برای دیدن فصل های بیشتر استفاده کنید)

1. یادگیری ماشین برای تجارت – از ایده تا اجرا
2. داده های بازار و بنیادی – منابع و تکنیک ها
3. داده های جایگزین برای امور مالی – دسته بندی ها و موارد استفاده
4. مهندسی ویژگی های مالی – نحوه تحقیق در مورد عوامل آلفا
5. بهینه سازی پورتفولیو و ارزیابی عملکرد
6. فرایند یادگیری ماشین
7. مدل های خطی – از عوامل خطر تا پیش بینی بازده
8. جریان کاری ML4T – از مدل تا آزمون بک تست استراتژی
9. مدل های سری زمانی برای پیش بینی نوسانات و آربیتراژ آماری
10. Bayesian ML – نسبت های دینامیک شارپ و تجارت جفت