Une introduction à l'apprentissage automatique en finance quantitative - Relié

de Hao Ni (Auteur), Xin Dong (Auteur), Jinsong Zheng (Auteur)

Dans le monde actuel, nous sommes de plus en plus exposés aux mots « apprentissage automatique » (ML), un terme qui sonne comme une panacée conçue pour résoudre tous les problèmes, de la reconnaissance d'images à la traduction automatique. Au cours des dernières années, le ML a progressivement pénétré le secteur financier, remodelant le paysage de la finance quantitative tel que nous le connaissons. Une Introduction à l'apprentissage automatique en finance quantitative vise à démystifier le ML en dévoilant ses mathématiques sous-jacentes et en montrant comment appliquer les méthodes de ML à des données financières réelles. Dans ce livre, les auteurs, équilibrés entre les théorèmes mathématiques et les exemples de code ML pratiques, vous aideront à acquérir une compréhension approfondie des algorithmes ML ainsi qu'une expérience pratique. Après avoir lu Une Introduction à l'apprentissage automatique en finance quantitative, les outils ML ne seront plus une boîte noire pour vous, et vous vous sentirez confiant dans l'application réussie de ce que vous avez appris aux données financières empiriques !

Première de couverture

Dans le monde actuel, nous sommes de plus en plus exposés aux mots « apprentissage automatique » (ML), un terme qui sonne comme une panacée conçue pour résoudre tous les problèmes, de la reconnaissance d'images à la traduction automatique. Au cours des dernières années, le ML a progressivement pénétré le secteur financier, remodelant le paysage de la finance quantitative tel que nous le connaissons.

Une Introduction à l'apprentissage automatique en finance quantitative vise à démystifier le ML en dévoilant ses mathématiques sous-jacentes et en montrant comment appliquer les méthodes de ML à des données financières réelles. Dans ce livre, les auteurs

Fournissent une introduction systématique et rigoureuse à l'apprentissage supervisé, non supervisé et par renforcement en établissant les définitions et théorèmes essentiels.

Approfondissent divers types de réseaux neuronaux, y compris les réseaux artificiels, les réseaux convolutifs, les réseaux récurrents et l'apprentissage par renforcement récurrent.

Résument les contenus clés de chaque section dans des tableaux comme aide-mémoire.

Incluent de nombreux exemples d'applications financières.

Montrent comment aborder un projet ML exemplaire sur des données financières de bout en bout.

Complètent les codes Python de toutes les méthodes/exemples dans un dépôt GitHub.

Équilibré entre les théorèmes mathématiques et les exemples de code ML pratiques, ce livre vous aidera à acquérir une compréhension approfondie des algorithmes ML ainsi qu'une expérience pratique. Après avoir lu Une Introduction à l'apprentissage automatique en finance quantitative, les outils ML ne seront plus une boîte noire pour vous, et vous vous sentirez confiant dans l'application réussie de ce que vous avez appris aux données financières empiriques !

Les codes Python contenus dans Une Introduction à l'apprentissage automatique en finance quantitative ont été mis à la disposition du public sur le GitHub de l'auteur : https: //github.com/deepintomlf/mlfbook.git