Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум

Книга присвячена практиці застосування машинного навчання з метою створення потужних алгоритмічних стратегій успішної торгівлі на фінансових ринках. Викладено базові принципи роботи з даними: оцінювання наборів даних, доступ до даних через API мовою Python, доступ до фінансових даних на платформі Quandl та управління помилками передбачення. Розглянуто побудову та тренування алгоритмічних моделей за допомогою Python-бібліотек pandas, Seaborn, StatsModels та sklearn та побудову, оцінку та інтерпретацію моделей AR(p), MA(q) та ARIMA(p, d, q) з використанням бібліотеки StatsModels. Описано застосування бібліотеки PyMC3 для байєсового машинного навчання, бібліотек NLTK, sklearn (Scikit-learn) та spaCy для призначення позначок фінансовим новинам та класифікування документів, бібліотеки Keras для створення, налаштування та оцінки нейронних мереж прямого розповсюдження, рекурентних та надточних мереж. Показано, як застосовувати трансферне навчання до даних супутникових знімків для передбачення економічної активності та як ефективно використовувати підкріплене навчання для досягнення оптимальних результатів торгівлі.