تجارت

یادگیری ماشین برای مدیران دارایی

Machine Learning for Asset Managers

دانلود کتاب Machine Learning for Asset Managers (به فارسی: یادگیری ماشین برای مدیران دارایی) نوشته شده توسط «Marcos M. López de Prado»

اطلاعات کتاب یادگیری ماشین برای مدیران دارایی

موضوع اصلی: تجارت و اقتصاد

نوع: کتاب الکترونیکی

ناشر: Cambridge University Press

نویسنده: Marcos M. López de Prado

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2020

تعداد صفحه: 152

حجم فایل: 4.35 مگابایت

کد کتاب: 1108792898 , 9781108792899

توضیحات کتاب یادگیری ماشین برای مدیران دارایی

استراتژی‌های سرمایه‌گذاری موفق، پیاده‌سازی خاصی از نظریه‌های عمومی هستند. یک استراتژی سرمایه گذاری که فاقد توجیه نظری باشد احتمالا نادرست است. از این رو، یک مدیر دارایی باید تلاش خود را بر توسعه یک تئوری متمرکز کند تا اینکه قوانین معاملاتی بالقوه را آزمایش کند. هدف این عنصر معرفی ابزارهای یادگیری ماشینی (ML) است که می تواند به مدیران دارایی در کشف نظریه های اقتصادی و مالی کمک کند. ML یک جعبه سیاه نیست و لزوماً بیش از حد مناسب نیست. ابزارهای ML به جای جایگزینی روش های آماری کلاسیک مکمل هستند. برخی از نقاط قوت ML شامل (1) تمرکز بر پیش بینی پذیری خارج از نمونه بر قضاوت واریانس است. (2) استفاده از روش های محاسباتی برای اجتناب از اتکا به فرضیات (بالقوه غیر واقعی). (3) توانایی “یادگیری” مشخصات پیچیده، از جمله اثرات تعامل غیرخطی، سلسله مراتبی، و غیر پیوسته در یک فضای با ابعاد بالا. و (4) توانایی جدا کردن جستجوی متغیر از جستجوی مشخصات، قوی تا چند خطی و سایر اثرات جایگزینی.

Successful investment strategies are specific implementations of general theories. An investment strategy that lacks a theoretical justification is likely to be false. Hence, an asset manager should concentrate her efforts on developing a theory rather than on backtesting potential trading rules. The purpose of this Element is to introduce machine learning (ML) tools that can help asset managers discover economic and financial theories. ML is not a black box, and it does not necessarily overfit. ML tools complement rather than replace the classical statistical methods. Some of ML’s strengths include (1) a focus on out-of-sample predictability over variance adjudication; (2) the use of computational methods to avoid relying on (potentially unrealistic) assumptions; (3) the ability to “learn” complex specifications, including nonlinear, hierarchical, and noncontinuous interaction effects in a high-dimensional space; and (4) the ability to disentangle the variable search from the specification search, robust to multicollinearity and other substitution effects.

دانلود کتاب «یادگیری ماشین برای مدیران دارایی»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان