Python for Finance Cookbook

Opiniones de los lectores

El libro ha sido muy bien acogido por su enfoque práctico de la analítica y el trading algorítmico, especialmente para quienes se encuentran en la transición de SAS a Python. Los lectores aprecian los ejemplos prácticos, la estructura modular y los útiles recursos que proporciona. Sin embargo, algunos críticos señalan lagunas, como la falta de datos críticos para mejorar los algoritmos de negociación y la necesidad de cubrir el análisis fundamental.

⬤ Atractivo y fácil de leer con múltiples ejemplos y codificación práctica
⬤ capítulos modulares que permiten flexibilidad en el orden de lectura
⬤ buen recurso para librerías Python
⬤ útil tanto para principiantes como para programadores experimentados
⬤ escrito teniendo en cuenta el conocimiento analítico.

⬤ Carece de cálculos detallados para mejorar los algoritmos de negociación
⬤ no cubre el análisis fundamental
⬤ algunas secciones pueden estar obsoletas debido a cambios en las bibliotecas de software (por ejemplo, fastai).

(basado en 6 opiniones de lectores)

Contenido del libro:

Resuelva problemas financieros comunes y no tan comunes utilizando bibliotecas de Python como NumPy, SciPy y pandas Características principales Utilice potentes bibliotecas de Python como pandas, NumPy y SciPy para analizar sus datos financieros Explore recetas únicas para el análisis y procesamiento de datos financieros con Python Estime modelos financieros populares como CAPM y GARCH utilizando un enfoque de resolución de problemas Descripción del libro

Python es uno de los lenguajes de programación más utilizados en la industria financiera, con un enorme conjunto de bibliotecas que lo acompañan.

En este libro, conocerá distintas formas de descargar datos financieros y prepararlos para su modelización. Calculará indicadores populares utilizados en el análisis técnico, como las bandas de Bollinger, el MACD y el RSI, y realizará pruebas retrospectivas de estrategias de negociación automáticas. A continuación, cubrirá el análisis y los modelos de series temporales, como el suavizado exponencial, ARIMA y GARCH (incluidas las especificaciones multivariantes), antes de explorar el popular CAPM y el modelo de tres factores de Fama-French. A continuación, descubrirá cómo optimizar la asignación de activos y utilizar simulaciones Monte Carlo para tareas como el cálculo del precio de las opciones americanas y la estimación del valor en riesgo (VaR). En capítulos posteriores, trabajará en un proyecto completo de ciencia de datos en el ámbito financiero. También aprenderá a resolver los problemas de fraude e impago de tarjetas de crédito utilizando clasificadores avanzados como random forest, XGBoost, LightGBM y modelos apilados. A continuación, podrá ajustar los hiperparámetros de los modelos y gestionar el desequilibrio de clases. Por último, te centrarás en aprender a utilizar el aprendizaje profundo (PyTorch) para abordar tareas financieras.

Al final de este libro, habrá aprendido a analizar eficazmente datos financieros utilizando un enfoque basado en recetas. Qué aprenderás Descargar y preprocesar datos financieros de diferentes fuentes Backtestar el rendimiento de estrategias de trading automático en un entorno real Estimar modelos de econometría financiera en Python e interpretar sus resultados Utilizar simulaciones Monte Carlo para una variedad de tareas como la valoración de derivados y la evaluación de riesgos Mejorar el rendimiento de los modelos financieros con las últimas bibliotecas de Python Aplicar técnicas de aprendizaje automático y aprendizaje profundo para resolver diferentes problemas financieros Comprender los diferentes enfoques utilizados para modelar datos de series temporales financieras A quién va dirigido este libro.

Este libro está dirigido a analistas financieros, analistas de datos y desarrolladores de Python que deseen aprender a implementar una amplia gama de tareas en el ámbito de las finanzas. Los científicos de datos que deseen idear estrategias financieras inteligentes para realizar análisis financieros eficientes también encontrarán útil este libro. Es obligatorio tener conocimientos del lenguaje de programación Python para comprender eficazmente los conceptos tratados en el libro. Tabla de contenidos Datos financieros y preprocesamiento Análisis técnico en Python Modelización de series temporales Modelos multifactoriales Modelización de la volatilidad con modelos de clase GARCH Simulaciones Monte Carlo en finanzas Asignación de activos en Python Identificación de impagos crediticios con aprendizaje automático Modelos avanzados de aprendizaje automático en finanzas Aprendizaje profundo en finanzas