Acest Element oferă un ghid complet pentru învățarea profundă în tranzacționarea cantitativă, combinând teoria fundamentală cu aplicații practice. Este organizat în două părți.

Prima parte introduce bazele seriilor temporale financiare și învățarea supravegheată, explorând diverse arhitecturi de rețele, de la cele feedforward până la cele mai moderne. Pentru a asigura reziliența și a reduce suprainstruirea în date complexe din lumea reală, este prezentat un flux de lucru cuprinzător, de la analiza inițială a datelor până la tehnici de validare încrucișată adaptate datelor financiare.

A doua parte aplică metode de învățare profundă într-o serie de sarcini financiare. Autorii demonstrează cum modelele de învățare profundă pot îmbunătăți atât strategiile de tranzacționare bazate pe tendințele seriilor temporale, cât și strategiile transversale, generând semnale predictive și fiind formulate ca un proces integrat pentru optimizarea portofoliului. Aplicațiile includ un amestec de date de la date zilnice până la date de microstructură de înaltă frecvență pentru o varietate de categorii de active.

Pe parcurs sunt incluse exemple de cod pentru o mai bună înțelegere, precum și un depozit dedicat pe GitHub cu implementări detaliate.

Pagini: 184