人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习(ML)的交易策略相关知识的需求。《机器学习在算法交易中的应用(第2版)》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch,重点介绍深度学习和强化学习在交易策略设计中的应用。
《机器学习在算法交易中的应用(第2版)》通过大量示例，详细介绍了如何使用不同机器学习算法设计交易策略，并通过大量的数学及统计知识，帮助读者更好地理解算法调优过程及整个计算过程。特别适合想获得用于交易的机器学习算法相关知识或想设计交易策略的数据分析师、数据科学家、Python开发人员、投资分析师或投资组合经理参考学习。
应用市场、基本面和另类数据的爆炸式增长，使机器学习(ML)从数字科技前沿走进千家万户。应用机器学习算法挖掘数据、洞见机会、构建交易策略成为越来越多交易者的选择。本书就带领读者学习如何在交易策略构建和评估中合理运用种类繁多的监督学习、无监督学习和强化学习模型，更好地为投资和交易服务。
本书详细展示了端到端的基于机器学习的交易工作流(ML4T)，从想法萌生到特征工程，从交易设计到策略回测，从线性模型到随机森林，从简单机器学习到深度学习，辅以大量示例，一看即懂、即学即用。
本书完整展示了关于交易的数据世界，从市场、基本面和另类数据的挖掘到交易信号的提取，从金融特征工程到基于机器学习的策略回测与评估，既有真实的分时数据、周期K线、SEC文件、财报电话会议记录、财经新闻或卫星图像，又有真实的美国和日本的股票和ETF的历史数据，最后还附有数以百计的阿尔法因子库大礼包。
学完本书，读者可熟练地应用机器学习构建预测模型，设计每日或日内交易策略，并对其表现进行合理评估。
斯蒂芬·詹森（Stefan Jansen）
Stefan Jansen是 Applied AI公司的创始人兼首席执行官。他为财富500强公司、投资公司和各行各业的初创企业提供数据和人工智能战略方面的建议，并组建数据科学团队，为广泛的商业问题开发端到端的机器学习解决方案。
创业之前，他是一家国际投资公司的合伙人和董事总经理，在那里他进行了大量的预测分析和投资研究实践。他还曾是一家在15个市场开展业务的全球性金融科技公司的高级管理人员，为新兴市场的中央银行及世界银行提供咨询服务。
Stefan Jansen拥有佐治亚理工学院的计算机科学硕士学位以及哈佛大学和柏林自由大学的经济学硕士学位,并获得了CFA特许证书。他曾在欧洲、亚洲和美洲使用六种语言工作，并在Datacamp和GeneralAssembly 教授数据科学。
书单推荐
