Aprendizaje automático para el trading algorítmico - Segunda edición

Opiniones de los lectores

El libro está bien considerado por su exhaustiva cobertura de las técnicas de aprendizaje automático aplicadas a la negociación algorítmica, y ofrece ejemplos detallados y material complementario. Sin embargo, recibe críticas por sus herramientas anticuadas, su dificultad de comprensión y los retos de codificación que pueden dificultar la experiencia de aprendizaje.

⬤ Cobertura completa y detallada del aprendizaje automático para el trading algorítmico.
⬤ Contiene muchos ejemplos prácticos y materiales complementarios, incluido un PDF gratuito.
⬤ El autor responde a las consultas en GitHub.
⬤ Bueno para una comprensión profunda y laboratorios prácticos.
⬤ Una buena referencia tanto para principiantes como para usuarios avanzados.

⬤ Las herramientas y bibliotecas mencionadas en el libro ya no están soportadas.
⬤ Muchos ejemplos de código son difíciles de acceder y utilizar eficazmente.
⬤ Algunos lectores encuentran el estilo de escritura innecesariamente complejo y difícil de entender.
⬤ El libro puede ser demasiado denso, lo que dificulta su digestión.
⬤ Se han señalado problemas de control de calidad con el estado físico del libro.

(basado en 57 opiniones de lectores)

Título original:

Machine Learning for Algorithmic Trading - Second Edition

Contenido del libro:

Aprovechar el aprendizaje automático para diseñar y back-test automatizado de estrategias de negociación para los mercados del mundo real utilizando pandas, TA-Lib, scikit-learn, LightGBM, SpaCy, Gensim, TensorFlow 2, Zipline, backtrader, Alphalens, y pyfolio.

Características principales:

⬤ Diseñar, entrenar y evaluar algoritmos de aprendizaje automático que sustentan las estrategias de negociación automatizadas.

⬤ Crear un proceso de investigación y desarrollo de estrategias para aplicar modelos predictivos a las decisiones comerciales.

⬤ Aprovechar la PNL y el aprendizaje profundo para extraer señales negociables de datos de mercado y alternativos.

Descripción del libro:

El crecimiento explosivo de los datos digitales ha impulsado la demanda de experiencia en estrategias de trading que utilicen el aprendizaje automático (ML). Esta segunda edición revisada y ampliada le permite construir y evaluar sofisticados modelos de aprendizaje supervisado, no supervisado y de refuerzo.

Este libro presenta el aprendizaje automático de principio a fin para el flujo de trabajo del trading, desde la idea y la ingeniería de características hasta la optimización de modelos, el diseño de estrategias y el backtesting. Lo ilustra con ejemplos que van desde los modelos lineales y los conjuntos basados en árboles hasta las técnicas de aprendizaje profundo de la investigación de vanguardia.

Esta edición muestra cómo trabajar con datos de mercado, fundamentales y alternativos, como datos de tick, barras de minutos y diarias, archivos de la SEC, transcripciones de convocatorias de beneficios, noticias financieras o imágenes de satélite para generar señales negociables. Ilustra cómo diseñar características financieras o factores alfa que permitan a un modelo ML predecir rentabilidades a partir de datos de precios de acciones y ETF estadounidenses e internacionales. También muestra cómo evaluar el contenido de señal de las nuevas características utilizando valores Alphalens y SHAP e incluye un nuevo apéndice con más de cien ejemplos de factores alfa.

Al final, usted será competente en la traducción de las predicciones del modelo ML en una estrategia de negociación que opera en horizontes diarios o intradía, y en la evaluación de su rendimiento.

Lo que aprenderá

⬤ Aprovechar datos de mercado, fundamentales y alternativos de texto e imagen.

⬤ Investigar y evaluar factores alfa utilizando estadísticas, Alphalens y valores SHAP.

⬤ Implementar técnicas de aprendizaje automático para resolver problemas de inversión y comercio.

⬤ Comprobar y evaluar estrategias de negociación basadas en el aprendizaje automático utilizando Zipline y Backtrader.

⬤ Optimizar el riesgo de cartera y análisis de rendimiento utilizando pandas, NumPy, y pyfolio.

⬤ Crear una estrategia de negociación por pares basada en la cointegración para la renta variable estadounidense y los fondos cotizados.

⬤ Entrenar un modelo de gradiente de impulso para predecir los rendimientos intradía utilizando AlgoSeek de alta calidad y cotizaciones de datos.

A quién va dirigido este libro:

Si usted es un analista de datos, un científico de datos, un desarrollador de Python, un analista de inversiones o un gestor de carteras interesado en adquirir conocimientos prácticos de aprendizaje automático para el trading, este libro es para usted. Este libro es para usted si desea aprender a extraer valor de un conjunto diverso de fuentes de datos utilizando el aprendizaje automático para diseñar sus propias estrategias sistemáticas de trading.

Se requieren algunos conocimientos de Python y de técnicas de aprendizaje automático.