یک منبع تخصصی و پیشرفته برای تحلیلگران مالی، دانشمندان داده و معاملهگران الگوریتمی است که میخواهند از یادگیری ماشین در بازارهای مالی استفاده کنند. این کتاب پلی است بین نظریههای علمی یادگیری ماشین و کاربردهای عملی آن در بازارهای مالی. نویسنده که هم استاد دانشگاه و هم مدیر صندوق سرمایهگذاری است، نشان میدهد چگونه میتوان از الگوریتمهای ML برای ساخت استراتژیهای معاملاتی، مدیریت ریسک، و تحلیل دادههای مالی استفاده کرد.
تمرکز اصلی کتاب بر حل مشکلات واقعی معاملهگران با استفاده از روشهای علمی و قابل تکرار است و مستقیماً برای مسائل مالی و «پیادهسازی یادگیری ماشین روی دادههای مالی بزرگ» نوشته شده و به خطاهای متداول overfitting، تعریف نادرست برچسبها، ساختار دادههای مالی و غیره میپردازد — یعنی دقیقاً ابزار و زبانی که هنگام تحلیل علل ورشکستگی یک پروژه لازم دارید.
خلاصه کتاب
یاد بگیرید که جدیدترین نوآوریهای یادگیری ماشین را درک و پیادهسازی کنید تا عملکرد سرمایهگذاری خود را بهبود بخشید. یادگیری ماشین تقریباً تمام جنبههای زندگی ما را تغییر میدهد. امروزه، الگوریتمهای یادگیری ماشین وظایفی را انجام میدهند که تا همین اواخر فقط انسانهای متخصص میتوانستند انجام دهند. امور مالی برای نوآوریهای تحولآفرینی که نحوه درک پول و سرمایهگذاری نسلهای بعدی را متحول میکند، آماده است.
در این کتاب، خوانندگان یاد خواهند گرفت که چگونه:
- دادههای بزرگ را به روشی ساختار دهند که برای الگوریتمهای ML قابل استفاده باشد.
- با الگوریتمهای یادگیری ماشین روی دادههای بزرگ تحقیق کنند.
- از روشهای ابررایانهای استفاده کنند و اکتشافات خود را آزمایش کنند و در عین حال از نتایج مثبت کاذب اجتناب کنند.
پیشرفتها در یادگیری ماشین مالی به مشکلات زندگی واقعی که متخصصان هر روز با آن مواجه هستند، میپردازد و راهحلهای علمی و منطقی را با استفاده از ریاضی، با پشتیبانی کد و مثالها، توضیح میدهد. خوانندگان به کاربران فعالی تبدیل میشوند که میتوانند راهحلهای پیشنهادی را در محیط شخصی خود آزمایش کنند. این کتاب که توسط یک متخصص و مدیر پرتفوی شناخته شده نوشته شده است، متخصصان سرمایهگذاری را به ابزارهای پیشگامانه مورد نیاز برای موفقیت در امور مالی مدرن مجهز میکند.
ساختار فصلها و موضوعات کلیدی
فصل اول: مقدمه
معرفی چالشهای یادگیری ماشین در امور مالی
فصل دوم: ساختارهای داده مالی
نحوه ساخت دادههای مالی برای الگوریتمهای ML
فصل سوم: برچسبگذاری دادهها
روشهای برچسبگذاری دادهها برای آموزش مدلها
فصل چهارم: وزنهای نمونه
وزندهی به نمونهها برای مقابله با دادههای نامتوازن
فصل پنجم: تفاضل کسری
حفظ حافظه سریهای زمانی بدون ایستا کردن کامل
فصل ششم: اهمیت ویژگی
تعیین ویژگیهای مهم در مدلهای مالی
فصل هفتم: تنظیم فراپارامتر
تنظیم بهینه پارامترهای مدلها
فصل هشتم: اعتبارسنجی متقابل
اعتبارسنجی متقابل در دادههای وابسته به زمان
فصل نهم: اندازه شرط
تعیین اندازه موقعیت معاملاتی با استفاده از ML
فصل دهم: بازآزمایی
آزمون استراتژیها بدون گرفتار شدن در خطای داده
فصل یازدهم: نسبتدهی عملکرد
تحلیل عملکرد مدلها و استراتژیها
فصل دوازدهم: تخصیص دارایی در یادگیری ماشین
تخصیص دارایی با الگوریتمهای یادگیری ماشین
مخاطبان مناسب کتاب
- تحلیلگران مالی و کوانت
- دانشمندان داده علاقهمند به حوزه مالی
- معاملهگران الگوریتمی
- دانشجویان کارشناسی ارشد و دکترا در رشتههای مالی، ریاضی، علوم کامپیوتر
- مدیران صندوقها و سرمایهگذاران نهادی
- پژوهشگران مالی، مهندسان داده و مدیران ریسک
ویژگیهای برجسته کتاب
- ترکیب تجربه عملی با نظریه علمی
- تمرکز بر مشکلات واقعی بازارهای مالی
- ارائه کدهای نمونه و الگوریتمهای قابل پیادهسازی
- پرهیز از اشتباهات رایج مانند overfitting و data snooping
نقاط قوت و محدودیتها
نقاط قوت: عملی، مبتنی بر تجربه بازار، تمرکز بر مشکلات واقعی مانند ناپایداری بروننمونه و ساختار غیرایستای دادههای مالی. محدودیتها: سطح فنی متوسط تا بالا؛ مناسب مبتدیها نیست. نیاز به آشنایی با مفاهیم آماری و سریهای زمانی دارد. تمرکز بر بازارهای مالی است و برای بانکداری نظارتی باید برخی مفاهیم ترجمه شوند.
