В настоящей книге рассмотрены методы построения и обучения нейронных сетей; описаны наиболее распространенные виды сетей, применяющихся в задачах классификации и анализа временных рядов. Рассмотрено применение сетей к таким расчетам на финансовом рынке, как расчет цен опционов европейского типа, оценка индексов акций и управление международным портфелем. Показаны фрактальные свойства временных рядов, изложены динамические модели детерминированного хаоса. Для снижения неопределенности продемонстрировано применение алгоритмов оптимальной фильтрации и решение задачи параметрической идентификации при построении уравнений модели хаоса. Описаны возможности нейронных сетей для прогнозирования детерминированного хаоса. В приложении приведен комплект учебных материалов по курсу «Финансовые рынки и нейронные сети»
Буквоед
г. Москва (пункт выдачи заказов)
908 руб.
В настоящей книге рассмотрены методы построения и обучения нейронных сетей; описаны наиболее распространенные виды сетей, применяющихся в задачах классификации и анализа временных рядов. Рассмотрено применение сетей к таким расчетам на финансовом рынке, как расчет цен опционов европейского типа, оценка индексов акций и управление международным портфелем. Показаны фрактальные свойства временных рядов, изложены динамические модели детерминированного хаоса. Для снижения неопределенности продемонстрировано применение алгоритмов оптимальной фильтрации и решение задачи параметрической идентификации при построении уравнений модели хаоса. Описаны возможности нейронных сетей для прогнозирования детерминированного хаоса. В приложении приведен комплект учебных материалов по курсу "Финансовые рынки и нейронные сети"
Буквоед
г. Москва (пункт выдачи заказов)
532 руб.
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
Буквоед
г. Москва (пункт выдачи заказов)
1 370 руб.