![[รีวิว] Advances in Financial Machine Learning (Marcos Lopez de Prado) สรุปหนังสือ.](https://episodes.castos.com/660078c6833215-59505987/images/2467631/c1a-085k3-7z8mp6p3ckvz-t7uooc.jpg)
Show Notes
Advances in Financial Machine Learning (Marcos Lopez de Prado)
- Amazon USA Store: https://www.amazon.com/dp/1119482089?tag=9natree-20
- Amazon Worldwide Store: https://global.buys.trade/Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Apple Books: https://books.apple.com/us/audiobook/advances-in-financial-machine-learning/id1643342200?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Advances+in+Financial+Machine+Learning+Marcos+Lopez+de+Prado+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Shopee: https://asia.buys.trade/shopee_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Lazada: https://asia.buys.trade/lazada_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Tiktok: https://asia.buys.trade/tiktok_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- อ่านเพิ่มเติม: https://thai.9natree.com/read/1119482089/
#การติดป้ายกำกับแบบtriplebarrier #ข้อมูลรั่วไหลในการแบ็กเทสต์ #fractionaldifferentiation #metalabelingสำหรับสัญญาณลงทุน #HierarchicalRiskParity #AdvancesinFinancialMachineLearning
Advances in Financial Machine Learning ของ Marcos Lopez de Prado เป็นหนังสือวิชาการเชิงปฏิบัติด้านควอนต์ไฟแนนซ์, ที่อธิบายว่าทำไมการนำแมชชีนเลิร์นนิงทั่วไปมาใช้กับตลาดการเงินโดยตรง, มักให้ผลลัพธ์ที่ผิดพลาดหรือไม่เสถียร. หนังสือไม่ได้สอนอัลกอริทึมพื้นฐานแบบตำราวิทยาการข้อมูลทั่วไป, แต่เน้นปัญหาเฉพาะของข้อมูลการเงิน, เช่น สัญญาณรบกวนสูง, การพึ่งพากันของข้อมูลตามเวลา, การรั่วไหลของข้อมูลอนาคต, การทดสอบย้อนหลังที่มองโลกดีเกินจริง, และการสร้างฟีเจอร์ที่ยังรักษาความหมายทางสถิติไว้ได้. จุดประสงค์หลักคือวางกระบวนการผลิตงานวิจัยเชิงระบบ, ตั้งแต่การจัดรูปข้อมูลราคา, การติดป้ายกำกับผลลัพธ์, การฝึกโมเดล, การประเมินกลยุทธ์, ไปจนถึงการจัดสรรพอร์ต. หนังสือจึงเหมาะกับผู้อ่านที่มีพื้นฐานสถิติ, โปรแกรมมิง, และการเงินเชิงปริมาณอยู่แล้ว, และต้องการเข้าใจวิธีใช้แมชชีนเลิร์นนิงในสภาพแวดล้อมที่มีเงินจริง, ข้อจำกัดจริง, และความเสี่ยงจากการตีความผลลัพธ์ผิด.
- Amazon USA Store: https://www.amazon.com/dp/1119482089?tag=9natree-20
- Amazon Worldwide Store: https://global.buys.trade/Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Apple Books: https://books.apple.com/us/audiobook/advances-in-financial-machine-learning/id1643342200?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Advances+in+Financial+Machine+Learning+Marcos+Lopez+de+Prado+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Shopee: https://asia.buys.trade/shopee_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Lazada: https://asia.buys.trade/lazada_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- Tiktok: https://asia.buys.trade/tiktok_Advances-in-Financial-Machine-Learning-Marcos-Lopez-de-Prado.html
- อ่านเพิ่มเติม: https://thai.9natree.com/read/1119482089/
#การติดป้ายกำกับแบบtriplebarrier #ข้อมูลรั่วไหลในการแบ็กเทสต์ #fractionaldifferentiation #metalabelingสำหรับสัญญาณลงทุน #HierarchicalRiskParity #AdvancesinFinancialMachineLearning
Advances in Financial Machine Learning ของ Marcos Lopez de Prado เป็นหนังสือวิชาการเชิงปฏิบัติด้านควอนต์ไฟแนนซ์, ที่อธิบายว่าทำไมการนำแมชชีนเลิร์นนิงทั่วไปมาใช้กับตลาดการเงินโดยตรง, มักให้ผลลัพธ์ที่ผิดพลาดหรือไม่เสถียร. หนังสือไม่ได้สอนอัลกอริทึมพื้นฐานแบบตำราวิทยาการข้อมูลทั่วไป, แต่เน้นปัญหาเฉพาะของข้อมูลการเงิน, เช่น สัญญาณรบกวนสูง, การพึ่งพากันของข้อมูลตามเวลา, การรั่วไหลของข้อมูลอนาคต, การทดสอบย้อนหลังที่มองโลกดีเกินจริง, และการสร้างฟีเจอร์ที่ยังรักษาความหมายทางสถิติไว้ได้. จุดประสงค์หลักคือวางกระบวนการผลิตงานวิจัยเชิงระบบ, ตั้งแต่การจัดรูปข้อมูลราคา, การติดป้ายกำกับผลลัพธ์, การฝึกโมเดล, การประเมินกลยุทธ์, ไปจนถึงการจัดสรรพอร์ต. หนังสือจึงเหมาะกับผู้อ่านที่มีพื้นฐานสถิติ, โปรแกรมมิง, และการเงินเชิงปริมาณอยู่แล้ว, และต้องการเข้าใจวิธีใช้แมชชีนเลิร์นนิงในสภาพแวดล้อมที่มีเงินจริง, ข้อจำกัดจริง, และความเสี่ยงจากการตีความผลลัพธ์ผิด.
