Maschinelles Lernen und Data Science Blueprints für Finanzen

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Der Wert des maschinellen Lernens (ML) im Finanzwesen wird jeden Tag deutlicher. Es wird erwartet, dass maschinelles Lernen für das Funktionieren der Finanzmärkte entscheidend sein wird. Analysten, Portfoliomanager, Händler und Chief Investment Officers sollten alle mit ML-Techniken vertraut sein. Für Banken und andere Finanzinstitute, die ihre Finanzanalysen verbessern, Prozesse rationalisieren und die Sicherheit erhöhen wollen, wird ML zur Technologie der Wahl. Der Einsatz von ML in Institutionen ist ein zunehmender Trend, und sein Potenzial zur Verbesserung verschiedener Systeme kann bei Handelsstrategien, Preisgestaltung und Risikomanagement beobachtet werden.

Obwohl das maschinelle Lernen in allen Bereichen der Finanzdienstleistungsbranche auf dem Vormarsch ist, klafft eine Lücke zwischen den Ideen und der Umsetzung von maschinellen Lernalgorithmen. Im Internet gibt es eine Fülle von Materialien zu diesen Bereichen, aber nur sehr wenig ist organisiert. Außerdem beschränkt sich der Großteil der Literatur auf Handelsalgorithmen. Machine Learning and Data Science Blueprints for Finance füllt diese Lücke und bietet einen auf den Finanzmarkt zugeschnittenen Werkzeugkasten für maschinelles Lernen, mit dem die Leser/innen Teil der Revolution des maschinellen Lernens werden können. Dieses Buch beschränkt sich nicht auf Investitions- oder Handelsstrategien, sondern konzentriert sich auf dieKunst und das Handwerk der Entwicklung von ML-gesteuerten Algorithmen, die in der Finanzbranche entscheidend sind.

Die Implementierung von maschinellen Lernmodellen im Finanzbereich ist einfacher als gemeinhin angenommen. Es gibt auch den Irrglauben, dass große Datenmengen für die Erstellung von maschinellen Lernmodellen erforderlich sind. Die Fallstudien in diesem Buch decken fast alle Bereiche des maschinellen Lernens ab und zielen darauf ab, solche Missverständnisse auszuräumen. Dieses Buch behandelt nicht nur die Theorie und Fallstudien zum Einsatz von maschinellem Lernen in Handelsstrategien, sondern befasst sich auch mit anderen wichtigen Konzepten wie Portfoliomanagement, Preisgestaltung von Derivaten, Betrugserkennung, Unternehmensbewertung, Entwicklung von Robo-Advisor und Chatbot-Entwicklung. Es wird auf reale Probleme eingehen, mit denen Praktiker konfrontiert sind, und wissenschaftlich fundierte Lösungen anbieten, die durch Code und Beispiele unterstützt werden.

Die Python-Codebasis für dieses Buch auf GitHub wird nützlich sein und als Ausgangspunkt für die Arbeit von Praktikern in der Industrie an ihren Projekten dienen. Die im Buch gezeigten Beispiele und Fallstudien demonstrieren Techniken, die leicht auf eine Vielzahl von Datensätzen angewendet werden können. Die zukunftsweisenden Fallstudien wie Reinforcement Learning für den Handel, der Aufbau eines Robo-Advisors und der Einsatz von maschinellem Lernen für die Preisgestaltung von Instrumenten inspirieren die Leser/innen dazu, über den Tellerrand hinauszuschauen, und motivieren sie dazu, das Beste aus den verfügbaren Modellen und Daten zu machen.

Für wen dieses Buch ist

Das Format des Buches und die Liste der behandelten Themen machen es für Fachleute geeignet, die in Hedgefonds, Investment- und Privatkundenbanken und Fintech-Firmen arbeiten. Sie können Titel wie Data Scientist, Data Engineer, Quantitative Researcher, Machine Learning Architect oder Softwareentwickler tragen. Darüber hinaus ist das Buch auch für Fachleute nützlich, die in unterstützenden Funktionen wie Compliance und Risiko arbeiten.

Ob ein quantitativer Händler in einem Hedgefonds nach Ideen für den Einsatz von Reinforcement Learning für den Handel mit Kryptowährungen sucht oder ein Investmentbanker nach maschinellen Lerntechniken, um die Kalibrierungsgeschwindigkeit von Preismodellen zu verbessern, dieses Buch wird einen Mehrwert bieten. Die Theorie, die Konzepte und die Codebasis, die im Buch erwähnt werden, sind in jedem Schritt des Modellentwicklungszyklus - von der Ideenfindung bis zur Modellimplementierung - äußerst nützlich. Die Leserinnen und Leser können die gemeinsame Codebasis nutzen und die vorgeschlagenen Lösungen selbst testen, was eine praxisnahe Erfahrung für die Leserinnen und Leser ermöglicht. Die Leser/innen sollten über Grundkenntnisse in Statistik, maschinellem Lernen und Python verfügen.

Wie dieses Buch organisiert ist

Dieses Buch bietet eine umfassende Einführung in die Nutzung von maschinellem Lernen und Data Science für die Entwicklung von Modellen in verschiedenen Bereichen der Finanzwirtschaft. Es ist in vier Teile gegliedert.

Teil I: Der Rahmen

Der erste Teil bietet einen Überblick über maschinelles Lernen im Finanzwesen und die Bausteine der Implementierung von maschinellem Lernen. Diese Kapitel dienen als Grundlage für die Fallstudien zu verschiedenen Arten des maschinellen Lernens, die im restlichen Teil des Buches vorgestellt werden.

Die Kapitel des ersten Teils lauten wie folgt:

Kapitel 1, Maschinelles Lernen im Finanzwesen: Die Landschaft

Dieses Kapitel gibt einen Überblick über Anwendungen des maschinellen Lernens im Finanzwesen und stellt verschiedene Arten des maschinellen Lernens kurz vor.

Kapitel 2, Entwickeln eines MachineLearning-Modells in Python

Dieses Kapitel befasst sich mit dem Python-basierten Ökosystem für maschinelles Lernen. Außerdem werden die Schritte zur Entwicklung von Machine-Learning-Modellen im Python-Framework behandelt.

Kapitel 3, Künstliche Neuronale Netze

Da ein künstliches neuronales Netzwerk (ANN) ein Hauptalgorithmus ist, der in allen Arten des maschinellen Lernens verwendet wird, befasst sich dieses Kapitel mit den Details von ANNs, gefolgt von einer detaillierten Implementierung eines ANN-Modells mit Python-Bibliotheken.

Teil II: Überwachtes Lernen

Der zweite Teil behandelt die grundlegenden Algorithmen des überwachten Lernens und veranschaulicht spezifische Anwendungen und Fallstudien.

Die Kapitel des zweiten Teils lauten wie folgt:

Kapitel 4, Überwachtes Lernen: Modelle und Konzepte

Dieses Kapitel bietet eine Einführung in überwachte Lerntechniken (sowohl Klassifizierung als auch Regression). Da Klassifizierung und Regression viele Modelle gemeinsam haben, werden die Details dieser Modelle zusammen mit anderen Konzepten wie der Modellauswahl und den Bewertungsmetriken für Klassifizierung und Regression vorgestellt.

Kapitel 5, Überwachtes Lernen: Regression(einschließlich Zeitreihenmodelle)

Auf überwachtem Lernen basierende Regressionsmodelle sind die am häufigsten verwendeten maschinellen Lernmodelle im Finanzwesen. Dieses Kapitel behandelt die Modelle von der einfachen linearen Regression bis zum fortgeschrittenen Deep Learning. Zu den Fallstudien, die in diesem Abschnitt behandelt werden, gehören Modelle für die Vorhersage von Aktienkursen, die Preisgestaltung von Derivaten und das Portfoliomanagement.

Kapitel 6, Überwachtes Lernen: Klassifizierung

Klassifizierung ist eine Unterkategorie des überwachten Lernens, bei der das Ziel darin besteht, die kategorialen Klassenbezeichnungen neuer Instanzen auf der Grundlage früherer Beobachtungen vorherzusagen. In diesem Abschnitt werden mehrere Fallstudien besprochen, die auf klassifikationsbasierten Techniken wie logistischer Regression, Support Vector Machines und Random Forests basieren.

Teil III: Unüberwachtes Lernen

Der dritte Teil behandelt die grundlegenden Algorithmen des unüberwachten Lernens und bietet Anwendungen und Fallstudien.

Die Kapitel des dritten Teils lauten wie folgt:

Kapitel 7, Unüberwachtes Lernen: Dimensionalitätsreduktion

In diesem Kapitel werden die wichtigsten Techniken beschrieben, um die Anzahl der Merkmale in einem Datensatz zu reduzieren und gleichzeitig einen Großteil der nützlichen und unterscheidenden Informationen beizubehalten. Außerdem wird der Standardansatz zur Dimensionalitätsreduzierung über die Hauptkomponentenanalyse erörtert und es werden Fallstudien zum Portfoliomanagement, zur Handelsstrategie und zur Konstruktion von Zinskurven behandelt.

Kapitel 8, Unüberwachtes Lernen: Clustering

Dieses Kapitel befasst sich mit den Algorithmen und Techniken für das Clustering und die Identifizierung von Gruppen von Objekten, die einen bestimmten Grad an Ähnlichkeit aufweisen. In diesem Kapitel werden Fallstudien zur Anwendung von Clustering in Handelsstrategien und im Portfoliomanagement behandelt.

Teil IV: Verstärkungslernen und natürliche Sprachverarbeitung

Der vierte Teil befasst sich mit den Techniken des Verstärkungslernens und der natürlichen Sprachverarbeitung (NLP).

Die Kapitel des vierten Teils lauten wie folgt:

Kapitel 9, Verstärkungslernen

Dieses Kapitel befasst sich mit Konzepten und Fallstudien zum Verstärkungslernen, die ein großes Potenzial für die Anwendung in der Finanzbranche haben. Der Grundgedanke des Reinforcement Learning, die "Maximierung der Belohnungen", stimmt perfekt mit der Kernmotivation verschiedener Finanzbereiche überein. In diesem Kapitel werden Fallstudien zu Handelsstrategien, Portfolio-Optimierung und Absicherung von Derivaten behandelt.

Kapitel 10, Natürliche Sprachverarbeitung

In diesem Kapitel werden die Techniken der natürlichen Sprachverarbeitung beschrieben und die wichtigsten Schritte zur Umwandlung von Textdaten in aussagekräftige Darstellungen in verschiedenen Bereichen des Finanzwesens erörtert. Es werden Fallstudien zur Stimmungsanalyse, zu Chatbots und zur Interpretation von Dokumenten behandelt.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

Hinweis

Dieses Element zeigt eine Blaupause an.

Verwendung des im Buch vorgestellten Codes

Der gesamte Code in diesem Buch (Fallstudien und Master-Vorlage) ist im GitHub-Verzeichnis verfügbar: https://github.com/tatsath/fin-ml. Der Code wird auf einer Cloud-Plattform gehostet, sodass jede Fallstudie ohne Installation eines Pakets auf einem lokalen Rechner ausgeführt werden kann, indem du auf https://mybinder.org/v2/gh/tatsath/fin-ml/master klickst .

Dieses Buch soll dir helfen, deine Arbeit zu erledigen. Generell gilt: Wenn ein Beispielcode angeboten wird, darfst du ihn in deinen Programmen und deiner Dokumentation verwenden. Du musst uns nicht um Erlaubnis fragen, es sei denn, du reproduzierst einen großen Teil des Codes. Wenn du zum Beispiel ein Programm schreibst, das mehrere Teile des Codes aus diesem Buch verwendet, brauchst du keine Erlaubnis. Der Verkauf oder die Verbreitung von Beispielen aus O'Reilly-Büchern erfordert jedoch eine Genehmigung. Die Beantwortung einer Frage mit einem Zitat aus diesem Buch und einem Beispielcode erfordert keine Genehmigung. Wenn du einen großen Teil des Beispielcodes aus diesem Buch in die Dokumentation deines Produkts aufnimmst, ist eine Genehmigung erforderlich.

Wir freuen uns über eine Namensnennung, verlangen sie aber in der Regel nicht. Eine Quellenangabe umfasst normalerweise den Titel, den Autor, den Verlag und die ISBN. Zum Beispiel: Machine Learning and Data Science Blueprints for Finance von Hariom Tatsat, Sahil Puri, und Brad Lookabaugh (O'Reilly, 2021), 978-1-492-07305-5.

Wenn du der Meinung bist, dass deine Verwendung von Codebeispielen nicht unter die Fair-Use-Regelung oder die oben genannte Erlaubnis fällt, kannst du uns gerne unter [e-mail] kontaktieren .

Python-Bibliotheken

Das Buch verwendet Python 3.7. Es wird empfohlen, den Conda-Paketmanager zu installieren, um eine Conda-Umgebung für die Installation der benötigten Bibliotheken zu erstellen. Eine Installationsanleitung findest du in der README-Datei des GitHub-Projekts.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter http://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-998-9938 (in den Vereinigten Staaten oder Kanada)
• 707-829-0515 (international oder lokal)
• 707-829-0104 (Fax)

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/ML-and-data-science-blueprints aufrufen .

Schreib eine E-Mail an [e-mail], um Kommentare oder technische Fragen zu diesem Buch zu stellen.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter http://oreilly.com.

Finde uns auf Facebook: http://facebook.com/oreilly

Folge uns auf Twitter: http://twitter.com/oreillymedia

Schau uns auf YouTube: http://youtube.com/oreillymedia

Danksagungen

Wir möchten uns bei allen bedanken, die uns geholfen haben, dieses Buch Wirklichkeit werden zu lassen. Unser besonderer Dank gilt Jeff Bleiel für sein ehrliches, aufschlussreiches Feedback und dafür, dass er uns durch den gesamten Prozess geführt hat. Wir sind Juan Manuel Contreras, Chakri Cherukuri und Gregory Bronner sehr dankbar, dass sie sich die Zeit genommen haben, unser Buch so ausführlich zu prüfen. Das Buch hat von ihrem wertvollen Feedback und ihren Vorschlägen profitiert. Vielen Dank auch an die fantastischen Mitarbeiter von O'Reilly, insbesondere an Michelle Smith, die an dieses Projekt geglaubt und uns geholfen hat, seinen Umfang zu definieren.

Besonderer Dank von Hariom

Ich möchte meiner Frau, Prachi, und meinen Eltern für ihre Liebe und Unterstützung danken. Ein besonderer Dank geht an meinen Vater, der mich in all meinen Bestrebungen ermutigt hat und eine ständige Quelle der Inspiration ist.

Besonderer Dank von Sahil

Danke an meine Familie, die mich immer ermutigt und bei allen Unternehmungen unterstützt hat.

Besonderer Dank von Brad

Danke an meine Frau Megan für ihre unendliche Liebe und Unterstützung.