Mastering Python for Finance - Segunda edición: Implemente aplicaciones estadísticas financieras avanzadas de última generación utilizando Python

Opiniones de los lectores

El libro es una introducción a la informática financiera que abarca conceptos financieros y matemáticas importantes, pero también presenta varios inconvenientes, como fuentes de datos obsoletas, ejemplos de codificación deficientes y un apoyo inadecuado a la aplicación práctica. Ha recibido críticas mixtas, con algunos elogiando su claridad y enfoque para las finanzas cuantitativas, mientras que otros lo critican por falta de profundidad y por no proporcionar herramientas prácticas.

⬤ Bien escrito y fácil de seguir
⬤ Cubre importantes métodos numéricos y metodologías matemáticas avanzadas en Python
⬤ Proporciona orientación sobre la construcción y backtesting de estrategias de negociación algorítmica
⬤ Útil para los profesionales de las finanzas cuantitativas.

⬤ Fuentes de datos obsoletas y dependencia de suscripciones de pago para obtener datos útiles
⬤ Carece de ejemplos de programación detallados y de soporte para aplicaciones prácticas
⬤ Algunos errores conceptuales señalados por los revisores
⬤ No es suficientemente amigable para principiantes
⬤ Faltan secciones importantes y soporte de codificación para bases de datos.

(basado en 8 opiniones de lectores)

Título original:

Mastering Python for Finance - Second Edition: Implement advanced state-of-the-art financial statistical applications using Python

Contenido del libro:

Lleve sus conocimientos financieros al siguiente nivel dominando las aplicaciones financieras matemáticas y estadísticas más avanzadas.

Características principales

⬤ Explore modelos financieros avanzados utilizados por la industria y formas de resolverlos utilizando Python.

⬤ Construya infraestructura de vanguardia para modelado, visualización, comercio y más.

⬤ Potencie sus aplicaciones financieras aplicando el aprendizaje automático y el aprendizaje profundo.

Descripción del libro

La segunda edición de Mastering Python for Finance le guiará en la realización de complejos cálculos financieros practicados en la industria de las finanzas mediante el uso de metodologías de última generación. Dominará el ecosistema Python aprovechando las herramientas disponibles públicamente para realizar con éxito estudios de investigación y modelado, y aprenderá a gestionar los riesgos con la ayuda de ejemplos avanzados.

Empezarás configurando tu cuaderno Jupyter para implementar las tareas a lo largo del libro. Aprenderá a tomar decisiones financieras eficientes y potentes basadas en datos utilizando bibliotecas populares como TensorFlow, Keras, Numpy, SciPy y sklearn. También aprenderá a crear aplicaciones financieras dominando conceptos como acciones, opciones, tipos de interés y sus derivados, y análisis de riesgos utilizando métodos computacionales. Con estos fundamentos, aprenderá a aplicar el análisis estadístico a los datos de series temporales, y comprenderá cómo los datos de series temporales son útiles para implementar un sistema de backtesting basado en eventos y para trabajar con datos de alta frecuencia en la construcción de una plataforma de negociación algorítmica. Por último, explorará las técnicas de aprendizaje automático y aprendizaje profundo que se aplican en finanzas.

Al final de este libro, serás capaz de aplicar Python a diferentes paradigmas de la industria financiera y realizar análisis de datos eficientes.

Lo que aprenderás

⬤ Resolver modelos lineales y no lineales que representan diversos problemas financieros.

⬤ Realizar análisis de componentes principales sobre el índice DOW y sus componentes.

⬤ Analizar, predecir y pronosticar procesos de series temporales estacionarias y no estacionarias.

⬤ Crear una herramienta de backtesting basada en eventos y medir sus estrategias.

⬤ Construir una plataforma de negociación algorítmica de alta frecuencia con Python.

⬤ Reproducir el índice CBOT VIX con opciones SPX para estudiar estrategias basadas en el VIX.

⬤ Realizar tareas de aprendizaje automático basadas en regresión y clasificación para predicción.

⬤ Utilizar TensorFlow y Keras en arquitectura de redes neuronales de aprendizaje profundo.