Machine Learning pour le trading : Un workflow structuré de la recherche à l'exécution en direct, avec neuf études de cas et des agents IA

Développez et déployez des systèmes de trading basés sur l'IA en utilisant le flux de travail en 7 étapes avec pandas, Polars, LightGBM, PyTorch, Optuna, zipline-reloaded, MLflow, Feast et SHAP

Caractéristiques principales Construisez des pipelines à un instant donné, intégrez des données alternatives et assurez l'intégrité des données. Construisez et validez des modèles prédictifs en utilisant des GBM, des Transformers et des cadres d'inférence causale pour créer des signaux alpha robustes et interprétables. Déployez des systèmes RAG, des agents financiers autonomes et des générateurs de données synthétiques basés sur la diffusion. Description du livre La montée rapide de l'IA et la complexité croissante des marchés financiers ont transformé le trading quantitatif en une discipline axée sur les données et les processus. Cette troisième édition fournit un plan complet pour concevoir, valider et déployer des stratégies de trading systématiques alimentées par l'apprentissage automatique moderne.

Il introduit le flux de travail ML4T en 7 étapes, un cadre professionnel qui unit l'ingénierie des données, le développement de modèles, la validation et le déploiement en direct en un processus cohérent. Il démontre comment transformer les données brutes du marché, les données fondamentales et alternatives en signaux prédictifs et en systèmes de trading robustes et prêts pour la production.

Vous apprendrez à construire des pipelines avancés pour l'ingénierie de caractéristiques, l'évaluation de modèles et l'optimisation de portefeuille à l'aide de bibliothèques telles que Polars, LightGBM, PyTorch et Optuna.

Des carnets pratiques illustrent chaque étape du flux de travail, du test de facteurs et du backtesting avec zipline reloaded au déploiement en direct avec des outils MLOps tels que MLflow, Feast et Prometheus. Une couverture supplémentaire de la génération de données synthétiques, des réseaux neuronaux graphiques et de l'apprentissage par renforcement étend la boîte à outils pour construire des stratégies résilientes et adaptatives qui prospèrent sur les marchés dynamiques.

À la fin de ce livre, vous serez apte à construire votre propre « usine alpha » de niveau industriel.

Ce que vous apprendrez à transformer des données brutes en facteurs alpha prédictifs, validés par une validation croisée sans fuite. Maîtrisez les modèles avancés, des machines de renforcement de gradient aux transformateurs, aux réseaux neuronaux graphiques et aux agents d'apprentissage par renforcement. Exploitez l'IA générative, la génération augmentée de récupération et l'inférence causale pour rendre les modèles interprétables, vérifiables et conformes aux normes réglementaires. Construisez une infrastructure de trading prête pour la production en utilisant les MLOps, les magasins de fonctionnalités et la surveillance de modèles pour passer de la recherche au déploiement de capitaux en toute sécurité. À qui s'adresse ce livre Si vous êtes un analyste de données, un scientifique de données, un développeur Python, un analyste d'investissement ou un gestionnaire de portefeuille intéressé par l'apprentissage automatique pour le trading, ce livre est fait pour vous. Ce livre est fait pour vous si vous voulez apprendre à extraire de la valeur d'un ensemble diversifié de sources de données en utilisant l'apprentissage automatique pour concevoir vos propres stratégies de trading systématiques.

Une certaine compréhension de Python et des techniques d'apprentissage automatique est requise.

Table des matières Le processus est votre avantage L'univers des données financières Microstructure du marché Données fondamentales et alternatives Données financières synthétiques Cadre de recherche stratégique Définition de la tâche d'apprentissage Ingénierie des caractéristiques financières Extraction de caractéristiques basée sur des modèles Ingénierie des caractéristiques textuelles Le pipeline ML Modèles avancés pour les données tabulaires Apprentissage profond pour les séries temporelles Modèles de facteurs latents Apprentissage automatique causal Simulation de stratégie Construction de portefeuille Coûts de transaction Gestion des risques Synthèse de stratégie Apprentissage par renforcement RAG pour la recherche financière Graphes de connaissances Agents autonomes Systèmes de trading en direct MLOps et gouvernance L'avantage systématique