Книга посвящена практике применения машинного обучения с целью создания мощных алгоритмических стратегий для успешной торговли на финансовых рынках. Изложены базовые принципы работы с данными: оценивание наборов данных, доступ к данным через API на языке Python, доступ к финансовым данным на платформе Quandl и управление ошибками предсказания. Рассмотрены построение и тренировка алгоритмических моделей с помощью Python-библиотек pandas, Seaborn, StatsModels и sklearn и построение, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Описано применение библиотеки PyMC3 для байесового машинного обучения, библиотек NLTK, sklearn (Scikit-learn) и spaCy для назначения отметок финансовым новостям и классифицирования документов, библиотеки Keras для создания, настройки и оценки нейронных сетей прямого распространения, рекуррентных и сверточных сетей. Показано, как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности и как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.
Kniga posvjaschena praktike primenenija mashinnogo obuchenija s tselju sozdanija moschnykh algoritmicheskikh strategij dlja uspeshnoj torgovli na finansovykh rynkakh. Izlozheny bazovye printsipy raboty s dannymi: otsenivanie naborov dannykh, dostup k dannym cherez API na jazyke Python, dostup k finansovym dannym na platforme Quandl i upravlenie oshibkami predskazanija. Rassmotreny postroenie i trenirovka algoritmicheskikh modelej s pomoschju Python-bibliotek pandas, Seaborn, StatsModels i sklearn i postroenie, otsenka i interpretatsija modelej AR(p), MA(q) i ARIMA(p, d, q) s ispolzovaniem biblioteki StatsModels. Opisano primenenie biblioteki PyMC3 dlja bajesovogo mashinnogo obuchenija, bibliotek NLTK, sklearn (Scikit-learn) i spaCy dlja naznachenija otmetok finansovym novostjam i klassifitsirovanija dokumentov, biblioteki Keras dlja sozdanija, nastrojki i otsenki nejronnykh setej prjamogo rasprostranenija, rekurrentnykh i svertochnykh setej. Pokazano, kak primenjat transfernoe obuchenie k dannym sputnikovykh snimkov dlja predskazanija ekonomicheskoj aktivnosti i kak effektivno ispolzovat podkrepljaemoe obuchenie dlja dostizhenija optimalnykh rezultatov torgovli.