Aprendizaje automático práctico para el comercio algorítmico

Opiniones de los lectores

El libro sobre trading algorítmico está bien considerado en general, sobre todo para quienes tienen conocimientos de Python y aprendizaje automático. Aunque cubre muchos temas relevantes de forma exhaustiva, adolece de algunos capítulos que faltan, errores de código y una falta de instrucción directa en la aplicación del aprendizaje automático al trading. A pesar de estos problemas, muchos lectores aprecian los conocimientos prácticos proporcionados por el autor.

El libro está bien estructurado y organizado de forma lógica, y ofrece una cobertura completa de los conceptos del aprendizaje automático en el contexto del comercio algorítmico. Incluye ejemplos prácticos y un repositorio GitHub de código actualizado, lo que demuestra la experiencia del autor en este campo. Muchos lectores lo encontraron útil para aprender e integrar la teoría con las aplicaciones prácticas.

El libro requiere conocimientos previos de Python y aprendizaje automático, y algunos lectores han informado de que faltan capítulos y de que el código desactualizado da lugar a errores. Además, se considera más una visión general que un texto profundamente instructivo, lo que puede no satisfacer las necesidades de los principiantes. Algunas ilustraciones, como los gráficos, tienen problemas de legibilidad debido a la falta de color.

(basado en 21 opiniones de lectores)

Título original:

Hands-On Machine Learning for Algorithmic Trading

Contenido del libro:

Explorar estrategias de negociación eficaces en los mercados del mundo real utilizando NumPy, spaCy, pandas, scikit-learn y Keras.

Características principales:

⬤ Implemente algoritmos de aprendizaje automático para construir, entrenar y validar modelos algorítmicos.

⬤ Cree su propio proceso de diseño algorítmico para aplicar enfoques probabilísticos de aprendizaje automático a las decisiones comerciales.

⬤ Desarrolle redes neuronales de trading algorítmico para realizar previsiones de series temporales y análisis inteligentes.

Descripción del libro

El crecimiento explosivo de los datos digitales ha impulsado la demanda de conocimientos especializados en estrategias de trading que utilicen el aprendizaje automático (machine learning, ML). Este libro le permite utilizar una amplia gama de algoritmos supervisados y no supervisados para extraer señales de una gran variedad de fuentes de datos y crear potentes estrategias de inversión.

Este libro muestra cómo acceder a datos de mercado, fundamentales y alternativos a través de API o web scraping y ofrece un marco para evaluar datos alternativos. Practicará el workflow de ML desde el diseño de modelos, la definición de métricas de pérdidas y el ajuste de parámetros hasta la evaluación del rendimiento en un contexto de series temporales. Comprenderá algoritmos de ML como los métodos bayesianos y de conjunto y el aprendizaje múltiple, y sabrá cómo entrenar y ajustar estos modelos utilizando pandas, statsmodels, sklearn, PyMC3, xgboost, lightgbm y catboost. Este libro también le enseñará a extraer características de datos de texto mediante spaCy, clasificar noticias y asignar puntuaciones de sentimiento, y a utilizar gensim para modelar temas y aprender incrustaciones de palabras a partir de informes financieros. También construirá y evaluará redes neuronales, incluidas RNNs y CNNs, utilizando Keras y PyTorch para explotar datos no estructurados para estrategias sofisticadas.

Por último, aplicarás el aprendizaje por transferencia a imágenes de satélite para predecir la actividad económica y utilizarás el aprendizaje por refuerzo para construir agentes que aprendan a operar en el OpenAI Gym.

Lo que aprenderás:

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

⬤ Utilizar datos de mercado, fundamentales y alternativos para investigar factores alfa.

⬤ Diseñar y ajustar modelos de aprendizaje supervisado, no supervisado y de refuerzo.

⬤ Optimizar el riesgo y el rendimiento de la cartera utilizando pandas, NumPy y scikit-learn.

⬤ Integrar modelos de aprendizaje automático en una estrategia de trading en Quantopian.

⬤ Evaluar estrategias utilizando metodologías de backtesting fiables para series temporales.

⬤ Diseñar y evaluar redes neuronales profundas utilizando Keras, PyTorch y TensorFlow.

⬤ Trabajar con aprendizaje por refuerzo para estrategias de trading en el OpenAI Gym.

A quién va dirigido este libro:

Hands-On Machine Learning for Algorithmic Trading está dirigido a analistas de datos, científicos de datos y desarrolladores de Python, así como a analistas de inversiones y gestores de carteras que trabajan en el sector de las finanzas y la inversión. Si desea realizar trading algorítmico eficiente mediante el desarrollo de estrategias de investigación inteligentes utilizando algoritmos de aprendizaje automático, este es su libro. Es obligatorio tener conocimientos de Python y de técnicas de aprendizaje automático.