8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Официальная версия машинного обучения для менеджеров активов Boku.com

Цена: 1 458руб.    (¥69)
Артикул: 736441475249

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:欣阅佳友图书专营店
Адрес:Гуандун
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 317 3026 361руб.
¥992 092руб.
¥24.9527руб.
¥49.371 044руб.
  • Информация о товаре
  • Фотографии
Основная информация
Название продукта:Машинное обучение для управляющих активамиформат:
Автор:Маркос·М. Лопес·ДеПрадо (Маркос М.Л.)óПез де Прадо) | Переводчик: Фэн СиньКоличество страниц:
Цены:88Время публикации:2022-02-01
Номер ISBN:Время печати:2022-02-01
Издательство:МашиностроениеИздание:1
Типы продукта:книгиВремя печати:1
Краткое содержание:
Эта книга предназначена для управляющих активами и исследователей всех типов. В этой книге, основанной на машинном обучении и искусственном интеллекте, предлагается количественный подход от инвестиционной концепции и теории к конкретной реализации успешной инвестиционной стратегии.Автор считает, что инвестиционная стратегия, лишенная теоретической основы, скорее всего, будет ошибочной.Для этого управляющие активами должны работать над разработкой теорий, а не просто тестировать основные торговые правила.В этой книге представлены инструменты машинного обучения с точки зрения помощи управляющим активами в открытии экономических и финансовых теорий.Машинное обучение — это не черный ящик, и оно не обязательно приводит к переобучению.Инструменты машинного обучения и классические статистические методы скорее дополняют друг друга, чем заменяют друг друга.В этой книге утверждается, что некоторые из преимуществ машинного обучения включают в себя: сосредоточение внимания на предсказуемости за пределами выборки, а не на суждениях об отклонениях внутри выборки; использование вычислительных методов, чтобы не полагаться на некоторые (возможно, нереалистичные) предположения;будучи в состоянии“изучать”Сложные спецификации, включая эффекты нелинейного, иерархического и прерывистого взаимодействия в многомерном пространстве;способен отделить поиск переменных от поиска настроек и обеспечить хорошую защиту от многолинейности и других эффектов замены.

......

Цвет страница:

......

Об авторе:
Маркос·М. Лопес·Депрадо, американский Лоуренс·Исследователь лаборатории Беркли и профессор Школы электротехники и вычислительной техники Корнелльского университета.Он имеет докторскую степень в области финансовой экономики и математических финансов. Директор по информационным технологиям Proactive Technologies (TP T) и руководитель отдела количественных исследований и разработок Инвестиционного управления Абу-Даби (ADIA). Более 20 лет он посвятил исследовательской работе с использованием разработки алгоритмов машинного обучения и компьютеров для формулирования инвестиционных стратегий. Он написал десятки влиятельных статей по машинному обучению и исследованию алгоритмов, а также такие книги, как «Финансовое машинное обучение». За свои исследования он был назван одним из лучших в 2019 году по версии журнала Journal of Portfolio Management.“Количественный аналитик года”.

......

Оглавление:
Китайская версия ПРЕДИСЛОВИЕ
1 Введение
1.1 Мотивация
1.2 Теория важна
1.3 Как использовать машинное обучение с научной точки зрения
1.4 Два типа переобучения
1.5 Схема
1.6 Аудитория
1.7 Пять распространенных заблуждений о финансовом машинном обучении
1.8 Будущее финансовых исследований
1.9 Часто задаваемые вопросы
1.10 Заключение
1.11 Упражнения

2 Шумоподавление и снижение тона
2.1 Мотивация
2.2 Теорема Марченко-Пастура
2.3. Случайная матрица с сигналом
2.4. Подбор распределения Марченко-Пастура.
2.5 Снижение шума
2.6 падающий тон
2.7 Экспериментальные результаты
2.8 Заключение
2.9 Упражнения

3 Измерение расстояния
3.1 Мотивация
3.2 Измерение на основе корреляции
3.3. Предельная энтропия и совместная энтропия
3.4 Условная энтропия
3.5 Расхождение Кульбака-Лейблера
3.6 Перекрестная энтропия
3.7 Взаимная информация
3.8 Информация о различиях
3.9 Дискретизация
3.10 Расстояние между двумя перегородками
3.11 Экспериментальные результаты
3.12 Заключение
3.13 Упражнения

4 кластеризация
4.1 Мотивация
4.2 Матрица сходства
4.3 Типы кластеризации
4.4 Количество кластеров
4.5. Результаты экспериментов
4.6 Заключение
4.7 Упражнения

5 Финансовые обозначения
5.1 Мотивация
5.2 Метод фиксированного интервала
5.3 Метод тройного препятствия
5.4 Метод сканирования трендов
5.5 метатеги
5.6. Результаты экспериментов
5.7 Заключение
5.8 Упражнения

6 Анализ важности функций
6.1 Мотивация
6.2 p-значение
6.3 Важность переменной
6.4 Вероятностно-взвешенная точность
6.5 Эффект замещения
6.6. Результаты экспериментов
6.7 Заключение
6.8 Упражнения

7-комбинированная конструкция
7.1 Мотивация
7.2 Оптимизация выпуклых комбинаций
7.3 Номер условия
7.4 Проклятие Марковица
7.5 Сигналы как источник ковариационной нестабильности
7.6 Алгоритм оптимизации вложенной кластеризации
7.7. Результаты экспериментов
7.8 Заключение
7.9 Упражнения

8. Переоснащение тестового набора
8.1 Мотивация
8.2 Точность и скорость отзыва
8.3 Точность и полнота результатов при повторном тестировании
8.4 Коэффициент Шарпа
8.5 Теорема о неправильной стратегии
8.6. Результаты экспериментов
8.7 Коэффициент усадки Шарпа
8.8 Частота семейных ошибок
8.9 Заключение
8.10 Упражнения
Приложение A Тест синтетических данных
Приложение B. Доказательство теоремы о неправильной стратегии.
Библиография
Рекомендации

......