نام کتاب: Python For Finance Cookbook – Over 50 Recipes For Applying Modern Python Libraries To Quantitative Finance To Analyze Data
نویسنده: Eryk Lewinson
ویرایش: ۱
سال انتشار: ۲۰۲۰
کد ISBN کتاب: ۱۷۸۹۶۱۸۵۱۷, ۹۷۸۱۷۸۹۶۱۸۵۱۸,
فرمت: PDF
تعداد صفحه: ۴۱۰
حجم کتاب: ۳۳ مگابایت
کیفیت کتاب: OCR
انتشارات: Packt Publishing
Description About Book Python For Finance Cookbook – Over 50 Recipes For Applying Modern Python Libraries To Quantitative Finance To Analyze Data From Amazon
Solve common and not-so-common financial problems using Python libraries such as NumPy, SciPy, and pandas
Key Features
• Use powerful Python libraries such as pandas, NumPy, and SciPy to analyze your financial data
• Explore unique recipes for financial data analysis and processing with Python
• Estimate popular financial models such as CAPM and GARCH using a problem-solution approach
Book Description
Python is one of the most popular languages used with a huge set of libraries in the financial industry.
In this book, you’ll cover different ways of downloading financial data and preparing it for modeling. You’ll calculate popular indicators used in technical analysis, such as Bollinger Bands, MACD, and RSI, and backtest automatic trading strategies. Next, you’ll cover time series analysis and models such as exponential smoothing, ARIMA, and GARCH (including multivariate specifications), before exploring the popular CAPM and Fama-French’s Three-Factor Model. You’ll then discover how to optimize asset allocation and use Monte Carlo simulations for tasks such as calculating the price of American options and estimating the Value at Risk (VaR). In later chapters, you’ll work through an entire data science project in the finance domain. You’ll also learn how to solve credit card fraud and default problems using advanced classifiers such as random forest, XGBoost, LightGBM, and stacked models. You’ll then be able to tune the hyperparameters of models and handle class imbalance. Finally, you’ll focus on solving problems in finance with deep learning using PyTorch.
By the end of this book, you’ll have learned how to effectively analyze financial time series using a recipe-based approach.
What you will learn
• Download and preprocess financial data from different sources
• Backtest the performance of automatic trading strategies in a real-world setting
• Create financial econometrics models in Python and interpret their results
• Use Monte Carlo simulations for a variety of tasks
• Improve the performance of financial models with the latest Python libraries
• Apply machine learning and deep learning techniques to solve different financial problems
• Understand the different approaches used to model financial time series data
Who This Book Is For
This book is for financial analysts, data analysts, and Python developers who want to learn how to implement a broad range of tasks in the finance domain. Data scientists looking to devise intelligent financial strategies to perform efficient financial analysis will also find this book useful. Working knowledge of the Python programming language is mandatory to grasp the concepts covered in the book effectively.
درباره کتاب Python For Finance Cookbook – Over 50 Recipes For Applying Modern Python Libraries To Quantitative Finance To Analyze Data ترجمه شده از گوگل
حل مشکلات مالی رایج و نه چندان متداول با استفاده از کتابخانه های پایتون مانند NumPy ، SciPy و pandas
ویژگی های کلیدی
• از کتابخانه های قدرتمند پایتون مانند pandas ، NumPy و SciPy برای تجزیه و تحلیل داده های مالی خود استفاده کنید
• دستور العمل های منحصر به فرد برای تجزیه و تحلیل و پردازش داده های مالی را با پایتون کاوش کنید
• برآورد مدلهای مالی رایج مانند CAPM و GARCH با استفاده از روش حل مشکل
توضیحات کتاب
پایتون یکی از محبوب ترین زبان هایی است که با مجموعه عظیمی از کتابخانه ها در صنعت مالی مورد استفاده قرار می گیرد.
در این کتاب ، روش های مختلف بارگیری داده های مالی و آماده سازی آنها برای مدل سازی را پوشش می دهید. شما شاخص های متداول مورد استفاده در تجزیه و تحلیل فنی ، مانند Bollinger Bands ، MACD ، و RSI و backtest استراتژی های معاملات خودکار را محاسبه می کنید. در مرحله بعد ، قبل از کاوش در مدل CAPM محبوب و مدل سه عاملی Fama-French ، به تجزیه و تحلیل سری های زمانی و مدل هایی مانند هموارسازی نمایی ، ARIMA و GARCH (از جمله مشخصات چند متغیره) می پردازید. سپس نحوه بهینه سازی تخصیص دارایی و استفاده از شبیه سازی مونت کارلو برای کارهایی مانند محاسبه قیمت گزینه های آمریکایی و برآورد ارزش در معرض خطر (VaR) را کشف خواهید کرد. در فصل های بعدی ، شما در یک پروژه علم داده در حوزه امور مالی کار خواهید کرد. همچنین نحوه حل تقلب در کارت اعتباری و مشکلات پیش فرض را با استفاده از طبقه بندی کننده های پیشرفته مانند جنگل تصادفی ، XGBoost ، LightGBM و مدل های انباشته یاد خواهید گرفت. سپس می توانید ابر پارامترهای مدلها را تنظیم کرده و عدم تعادل کلاس را کنترل کنید. در نهایت ، شما بر حل مشکلات مالی با یادگیری عمیق با استفاده از PyTorch تمرکز خواهید کرد.
در پایان این کتاب ، شما آموخته اید که چگونه سری های زمانی مالی را با استفاده از رویکرد مبتنی بر دستورالعمل به طور م analyzeثر تجزیه و تحلیل کنید.
آنچه یاد خواهید گرفت
• بارگیری و پیش پردازش داده های مالی از منابع مختلف
• عملکرد استراتژی های معاملات خودکار را در محیط واقعی آزمایش کنید
• ایجاد مدل های اقتصادسنجی مالی در پایتون و تفسیر نتایج آنها
• برای کارهای مختلف از شبیه سازی مونت کارلو استفاده کنید
• بهبود عملکرد مدلهای مالی با جدیدترین کتابخانه های پایتون
• از تکنیک های یادگیری ماشینی و یادگیری عمیق برای حل مشکلات مختلف مالی استفاده کنید
• درک روش های مختلف مورد استفاده برای مدل سازی داده های سری زمانی مالی
این کتاب برای چه کسانی مناسب است
این کتاب برای تحلیلگران مالی ، تحلیلگران داده و توسعه دهندگان پایتون است که می خواهند نحوه اجرای طیف وسیعی از وظایف در حوزه مالی را بیاموزند. این دانشمندان که به دنبال تدوین استراتژی های مالی هوشمند برای انجام تجزیه و تحلیل مالی کارآمد هستند نیز این کتاب را مفید می دانند. آشنایی کامل با زبان برنامه نویسی پایتون برای درک م conceptsثر مفاهیم مندرج در کتاب الزامی است.
[box type=”info”] جهت دسترسی به توضیحات این کتاب در Amazon اینجا کلیک کنید.
با خرید اشتراک، بدون محدودیت، کتاب دانلود کن!