Advances in financial machine learning

Advances in financial machine learning /

Saved in:
Bibliographic Details
Main Author: López de Prado, Marcos Mailoc (Author)
Format: Electronic eBook
Language:English
Published: Hoboken, New Jersey : John Wiley & Sons, Inc., [2018]
Subjects:
Finance > Data processing.
Finance > Mathematical models.
Machine learning.
Finance.
Online Access:Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)

MARC

LEADER 00000nam a2200000 i 4500
001 b3136103
005 20240627104555.0
006 m o d
007 cr |||||||||||
008 180224s2018 njuab ob 001 0 eng
010 |a 2018009027 
020 |a 9781119482116  |q (electronic book) 
020 |a 1119482119  |q (electronic book) 
020 |a 9781119482109  |q (electronic book) 
020 |a 1119482100  |q (electronic book) 
020 |z 9781119482086  |q (hardcover) 
020 |z 1119482089  |q (hardcover) 
035 |a (OCoLC)1021096780  |z (OCoLC)1020790036  |z (OCoLC)1021299458 
035 |a (DLC)ebc5240570 
040 |a DLC  |b eng  |e rda  |e pn  |c DLC  |d N$T  |d EBLCP  |d RECBK  |d YDX  |d OCLCO  |d YDX  |d OCLCF  |d OCLCO  |d OCLCQ  |d NhCcYME  |d UtOrBLW 
042 |a pcc 
050 4 |a HG104  |b .L67 2018 
072 7 |a BUS  |x 027000  |2 bisacsh 
082 0 0 |a 332.0285/631  |2 23 
084 |a BUS036000  |2 bisacsh 
100 1 |a López de Prado, Marcos Mailoc,  |e author.  |0 http://id.loc.gov/authorities/names/n2004142701 
245 1 0 |a Advances in financial machine learning /  |c Marcos López de Prado. 
264 1 |a Hoboken, New Jersey :  |b John Wiley & Sons, Inc.,  |c [2018] 
300 |a 1 online resource (xxi, 366 pages) 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
504 |a Includes bibliographical references and index. 
505 0 0 |a Machine generated contents note:   |g 1.  |t Financial Machine Learning as a Distinct Subject --   |g 1.1.  |t Motivation --   |g 1.2.  |t Main Reason Financial Machine Learning Projects Usually Fail --   |g 1.2.1.  |t Sisyphus Paradigm --   |g 1.2.2.  |t Meta-Strategy Paradigm --   |g 1.3.  |t Book Structure --   |g 1.3.1.  |t Structure by Production Chain --   |g 1.3.2.  |t Structure by Strategy Component --   |g 1.3.3.  |t Structure by Common Pitfall --   |g 1.4.  |t Target Audience --   |g 1.5.  |t Requisites --   |g 1.6.  |t FAQs --   |g 1.7.  |t Acknowledgments --   |t Exercises --   |t References --   |t Bibliography --   |g pt. 1   |t DATA ANALYSIS --   |g 2.  |t Financial Data Structures --   |g 2.1.  |t Motivation --   |g 2.2.  |t Essential Types of Financial Data --   |g 2.2.1.  |t Fundamental Data --   |g 2.2.2.  |t Market Data --   |g 2.2.3.  |t Analytics --   |g 2.2.4.  |t Alternative Data --   |g 2.3.  |t Bars --   |g 2.3.1.  |t Standard Bars --   |g 2.3.2.  |t Information-Driven Bars --   |g 2.4.  |t Dealing with Multi-Product Series --   |g 2.4.1.  |t ETF Trick --   |g 2.4.2.  |t PCA Weights --   |g 2.4.3.  |t Single Future Roll --   |g 2.5.  |t Sampling Features --   |g 2.5.1.  |t Sampling for Reduction --   |g 2.5.2.  |t Event-Based Sampling --   |t Exercises --   |t References --   |g 3.  |t Labeling --   |g 3.1.  |t Motivation --   |g 3.2.  |t Fixed-Time Horizon Method --   |g 3.3.  |t Computing Dynamic Thresholds --   |g 3.4.  |t Triple-Barrier Method --   |g 3.5.  |t Learning Side and Size --   |g 3.6.  |t Meta-Labeling --   |g 3.7.  |t How to Use Meta-Labeling --   |g 3.8.  |t Quantamental Way --   |g 3.9.  |t Dropping Unnecessary Labels --   |t Exercises --   |t Bibliography --   |g 4.  |t Sample Weights --   |g 4.1.  |t Motivation --   |g 4.2.  |t Overlapping Outcomes --   |g 4.3.  |t Number of Concurrent Labels --   |g 4.4.  |t Average Uniqueness of a Label --   |g 4.5.  |t Bagging Classifiers and Uniqueness --   |g 4.5.1.  |t Sequential Bootstrap --   |g 4.5.2.  |t Implementation of Sequential Bootstrap --   |g 4.5.3.  |t Numerical Example --   |g 4.5.4.  |t Monte Carlo Experiments --   |g 4.6.  |t Return Attribution --   |g 4.7.  |t Time Decay --   |g 4.8.  |t Class Weights --   |t Exercises --   |t References --   |t Bibliography --   |g 5.  |t Fractionally Differentiated Features --   |g 5.1.  |t Motivation --   |g 5.2.  |t Stationarity vs. Memory Dilemma --   |g 5.3.  |t Literature Review --   |g 5.4.  |t Method --   |g 5.4.1.  |t Long Memory --   |g 5.4.2.  |t Iterative Estimation --   |g 5.4.3.  |t Convergence --   |g 5.5.  |t Implementation --   |g 5.5.1.  |t Expanding Window --   |g 5.5.2.  |t Fixed-Width Window Fracdiff --   |g 5.6.  |t Stationarity with Maximum Memory Preservation --   |g 5.7.  |t Conclusion --   |t Exercises --   |t References --   |t Bibliography --   |g pt. 2   |t MODELLING --   |g 6.  |t Ensemble Methods --   |g 6.1.  |t Motivation --   |g 6.2.  |t Three Sources of Errors --   |g 6.3.  |t Bootstrap Aggregation --   |g 6.3.1.  |t Variance Reduction --   |g 6.3.2.  |t Improved Accuracy --   |g 6.3.3.  |t Observation Redundancy --   |g 6.4.  |t Random Forest --   |g 6.5.  |t Boosting --   |g 6.6.  |t Bagging vs. Boosting in Finance --   |g 6.7.  |t Bagging for Scalability --   |t Exercises --   |t References --   |t Bibliography --   |g 7.  |t Cross-Validation in Finance --   |g 7.1.  |t Motivation --   |g 7.2.  |t Goal of Cross-Validation --   |g 7.3.  |t Why K-Fold CV Fails in Finance --   |g 7.4.  |t Solution: Purged K-Fold CV --   |g 7.4.1.  |t Purging the Training Set --   |g 7.4.2.  |t Embargo --   |g 7.4.3.  |t Purged K-Fold Class --   |g 7.5.  |t Bugs in Sklearn's Cross-Validation --   |t Exercises --   |t Bibliography --   |g 8.  |t Feature Importance --   |g 8.1.  |t Motivation --   |g 8.2.  |t Importance of Feature Importance --   |g 8.3.  |t Feature Importance with Substitution Effects --   |g 8.3.1.  |t Mean Decrease Impurity --   |g 8.3.2.  |t Mean Decrease Accuracy --   |g 8.4.  |t Feature Importance without Substitution Effects --   |g 8.4.1.  |t Single Feature Importance --   |g 8.4.2.  |t Orthogonal Features --   |g 8.5.  |t Parallelized vs. Stacked Feature Importance --   |g 8.6.  |t Experiments with Synthetic Data --   |t Exercises --   |t References --   |g 9.  |t Hyper-Parameter Tuning with Cross-Validation --   |g 9.1.  |t Motivation --   |g 9.2.  |t Grid Search Cross-Validation --   |g 9.3.  |t Randomized Search Cross-Validation --   |g 9.3.1.  |t Log-Uniform Distribution --   |g 9.4.  |t Scoring and Hyper-parameter Tuning --   |t Exercises --   |t References --   |t Bibliography --   |g pt. 3   |t BACKTESTING --   |g 10.  |t Bet Sizing --   |g 10.1.  |t Motivation --   |g 10.2.  |t Strategy-Independent Bet Sizing Approaches --   |g 10.3.  |t Bet Sizing from Predicted Probabilities --   |g 10.4.  |t Averaging Active Bets --   |g 10.5.  |t Size Discretization --   |g 10.6.  |t Dynamic Bet Sizes and Limit Prices --   |t Exercises --   |t References --   |t Bibliography --   |g 11.  |t Dangers of Backtesting --   |g 11.1.  |t Motivation --   |g 11.2.  |t Mission Impossible: The Flawless Backtest --   |g 11.3.  |t Even If Your Backtest Is Flawless, It Is Probably Wrong --   |g 11.4.  |t Backtesting Is Not a Research Tool --   |g 11.5.  |t Few General Recommendations --   |g 11.6.  |t Strategy Selection --   |t Exercises --   |t References --   |t Bibliography --   |g 12.  |t Backtesting through Cross-Validation --   |g 12.1.  |t Motivation --   |g 12.2.  |t Walk-Forward Method --   |g 12.2.1.  |t Pitfalls of the Walk-Forward Method --   |g 12.3.  |t Cross-Validation Method --   |g 12.4.  |t Combinatorial Purged Cross-Validation Method --   |g 12.4.1.  |t Combinatorial Splits --   |g 12.4.2.  |t Combinatorial Purged Cross-Validation Backtesting Algorithm --   |g 12.4.3.  |t Few Examples --   |g 12.5.  |t How Combinatorial Purged Cross-Validation Addresses Backtest Overfitting --   |t Exercises --   |t References --   |g 13.  |t Backtesting on Synthetic Data --   |g 13.1.  |t Motivation --   |g 13.2.  |t Trading Rules --   |g 13.3.  |t Problem --   |g 13.4.  |t Our Framework --   |g 13.5.  |t Numerical Determination of Optimal Trading Rules --   |g 13.5.1.  |t Algorithm --   |g 13.5.2.  |t Implementation --   |g 13.6.  |t Experimental Results --   |g 13.6.1.  |t Cases with Zero Long-Run Equilibrium --   |g 13.6.2.  |t Cases with Positive Long-Run Equilibrium --   |g 13.6.3.  |t Cases with Negative Long-Run Equilibrium --   |g 13.7.  |t Conclusion --   |t Exercises --   |t References --   |g 14.  |t Backtest Statistics --   |g 14.1.  |t Motivation --   |g 14.2.  |t Types of Backtest Statistics --   |g 14.3.  |t General Characteristics --   |g 14.4.  |t Performance --   |g 14.4.1.  |t Time-Weighted Rate of Return --   |g 14.5.  |t Runs --   |g 14.5.1.  |t Returns Concentration --   |g 14.5.2.  |t Drawdown and Time under Water --   |g 14.5.3.  |t Runs Statistics for Performance Evaluation --   |g 14.6.  |t Implementation Shortfall --   |g 14.7.  |t Efficiency --   |g 14.7.1.  |t Sharpe Ratio --   |g 14.7.2.  |t Probabilistic Sharpe Ratio --   |g 14.7.3.  |t Deflated Sharpe Ratio --   |g 14.7.4.  |t Efficiency Statistics --   |g 14.8.  |t Classification Scores --   |g 14.9.  |t Attribution --   |t Exercises --   |t References --   |t Bibliography --   |g 15.  |t Understanding Strategy Risk --   |g 15.1.  |t Motivation --   |g 15.2.  |t Symmetric Payouts --   |g 15.3.  |t Asymmetric Payouts --   |g 15.4.  |t Probability of Strategy Failure --   |g 15.4.1.  |t Algorithm --   |g 15.4.2.  |t Implementation --   |t Exercises --   |t References --   |g 16.  |t Machine Learning Asset Allocation --   |g 16.1.  |t Motivation --   |g 16.2.  |t Problem with Convex Portfolio Optimization --   |g 16.3.  |t Markowitz's Curse --   |g 16.4.  |t From Geometric to Hierarchical Relationships --   |g 16.4.1.  |t Tree Clustering --   |g 16.4.2.  |t Quasi-Diagonalization --   |g 16.4.3.  |t Recursive Bisection --   |g 16.5.  |t Numerical Example --   |g 16.6.  |t Out-of-Sample Monte Carlo Simulations --   |g 16.7.  |t Further Research --   |g 16.8.  |t Conclusion --   |t Appendices --   |g 16.A.1.  |t Correlation-based Metric --   |g 16.A.2.  |t Inverse Variance Allocation --   |g 16.A.3.  |t Reproducing the Numerical Example --   |g 16.A.4.  |t Reproducing the Monte Carlo Experiment --   |t Exercises --   |t References --   |g pt. 4   |t USEFUL FINANCIAL FEATURES --   |g 17.  |t Structural Breaks --   |g 17.1.  |t Motivation --   |g 17.2.  |t Types of Structural Break Tests --   |g 17.3.  |t CUSUM Tests --   |g 17.3.1.  |t Brown-Durbin-Evans CUSUM Test on Recursive Residuals --   |g 17.3.2.  |t Chu-Stinchcombe-White CUSUM Test on Levels --   |g 17.4.  |t Explosiveness Tests --   |g 17.4.1.  |t Chow-Type Dickey-Fuller Test --   |g 17.4.2.  |t Supremum Augmented Dickey-Fuller --   |g 17.4.3.  |t Sub- and Super-Martingale Tests --   |t Exercises --   |t References --   |g 18.  |t Entropy Features --   |g 18.1.  |t Motivation --   |g 18.2.  |t Shannon's Entropy --   |g 18.3.  |t Plug-in (or Maximum Likelihood) Estimator --   |g 18.4.  |t Lempel-Ziv Estimators --   |g 18.5.  |t Encoding Schemes --   |g 18.5.1.  |t Binary Encoding --   |g 18.5.2.  |t Quantile Encoding --   |g 18.5.3.  |t Sigma Encoding --   |g 18.6.  |t Entropy of a Gaussian Process --   |g 18.7.  |t Entropy and the Generalized Mean --   |g 18.8.  |t Few Financial Applications of Entropy --   |g 18.8.1.  |t Market Efficiency --   |g 18.8.2.  |t Maximum Entropy Generation --   |g 18.8.3.  |t Portfolio Concentration --   |g 18.8.4.  |t Market Microstructure --   |t Exercises --   |t References --   |t Bibliography --   |g 19.  |t Microstructural Features --   |g 19.1.  |t Motivation --   |g 19.2.  |t Review of the Literature --   |g 19.3.  |t First Generation: Price Sequences --   |g 19.3.1.  |t Tick Rule --   |g 19.3.2.  |t Roll Model --   |g 19.3.3.  |t High-Low Volatility Estimator --   |g 19.3.4.  |t Corwin and Schultz --   |g 19.4.  |t Second Generation: Strategic Trade Models --   |g 19.4.1.  |t Kyle's Lambda --   |g 19.4.2.  |t Amihud's Lambda --   |g 19.4.3.  |t Hasbrouck's Lambda --   |g 19.5.  |t Third Generation: Sequential Trade Models --   |g 19.5.1.  |t Probability of Information-based Trading --   |g 19.5.2.  |t Volume-Synchronized Probability of Informed Trading --   |g 19.6.  |t Additional Features from Microstructural Datasets --   |g 19.6.1.  |t Distibution of Order Sizes --   |g 19.6.2.  |t Cancellation Rates, Limit Orders, Market Orders --   |g 19.6.3.  |t Time-Weighted Average Price Execution Algorithms --   |g 19.6.4.  |t Options Markets --   |g 19.6.5.  |t Serial Correlation of Signed Order Flow --   |g 19.7.  |t What Is Microstructural Information? --   |t Exercises --   |t References --   |g pt. 5   |t HIGH-PERFORMANCE COMPUTING RECIPES --   |g 20.  |t Multiprocessing and Vectorization --   |g 20.1.  |t Motivation --   |g 20.2.  |t Vectorization Example --   |g 20.3.  |t Single-Thread vs. Multithreading vs. Multiprocessing --   |g 20.4.  |t Atoms and Molecules --   |g 20.4.1.  |t Linear Partitions --   |g 20.4.2.  |t Two-Nested Loops Partitions --   |g 20.5.  |t Multiprocessing Engines --   |g 20.5.1.  |t Preparing the Jobs --   |g 20.5.2.  |t Asynchronous Calls --   |g 20.5.3.  |t Unwrapping the Callback --   |g 20.5.4.  |t Pickle/Unpickle Objects --   |g 20.5.5.  |t Output Reduction --   |g 20.6.  |t Multiprocessing Example --   |t Exercises --   |t Reference --   |t Bibliography --   |g 21.  |t Brute Force and Quantum Computers --   |g 21.1.  |t Motivation -- 
505 0 0 |a Contents note continued:   |g 21.2.  |t Combinatorial Optimization --   |g 21.3.  |t Objective Function --   |g 21.4.  |t Problem --   |g 21.5.  |t Integer Optimization Approach --   |g 21.5.1.  |t Pigeonhole Partitions --   |g 21.5.2.  |t Feasible Static Solutions --   |g 21.5.3.  |t Evaluating Trajectories --   |g 21.6.  |t Numerical Example --   |g 21.6.1.  |t Random Matrices --   |g 21.6.2.  |t Static Solution --   |g 21.6.3.  |t Dynamic Solution --   |t Exercises --   |t References --   |g 22.  |t High-Performance Computational Intelligence and Forecasting Technologies /  |r Horst D. Simon --   |g 22.1.  |t Motivation --   |g 22.2.  |t Regulatory Response to the Flash Crash of 2010 --   |g 22.3.  |t Background --   |g 22.4.  |t HPC Hardware --   |g 22.5.  |t HPC Software --   |g 22.5.1.  |t Message Passing Interface --   |g 22.5.2.  |t Hierarchical Data Format 5 --   |g 22.5.3.  |t In Situ Processing --   |g 22.5.4.  |t Convergence --   |g 22.6.  |t Use Cases --   |g 22.6.1.  |t Supernova Hunting --   |g 22.6.2.  |t Blobs in Fusion Plasma --   |g 22.6.3.  |t Intraday Peak Electricity Usage --   |g 22.6.4.  |t Flash Crash of 2010 --   |g 22.6.5.  |t Volume-synchronized Probability of Informed Trading Calibration --   |g 22.6.6.  |t Revealing High Frequency Events with Non-uniform Fast Fourier Transform --   |g 22.7.  |t Summary and Call for Participation --   |g 22.8.  |t Acknowledgments --   |t References. 
533 |a Electronic reproduction.  |b Ann Arbor, MI  |n Available via World Wide Web. 
588 0 |a Online resource; title from digital title page (viewed on March 02, 2018). 
650 0 |a Finance  |x Data processing.  |0 http://id.loc.gov/authorities/subjects/sh2020000036 
650 0 |a Finance  |x Mathematical models.  |0 http://id.loc.gov/authorities/subjects/sh85048260 
650 0 |a Machine learning.  |0 http://id.loc.gov/authorities/subjects/sh85079324 
650 7 |a Finance  |x Data processing.  |2 fast  |0 (OCoLC)fst00924370 
650 7 |a Finance.  |2 fast  |0 (OCoLC)fst00924349 
650 7 |a Finance  |x Mathematical models.  |2 fast  |0 (OCoLC)fst00924398 
650 7 |a Machine learning.  |2 fast  |0 (OCoLC)fst01004795 
776 0 8 |i Print version:  |a López de Prado, Marcos Mailoc.  |t Advances in financial machine learning.  |d New Jersey : Wiley, [2018]  |z 9781119482086  |w (DLC) 2017049249 
856 4 0 |u https://ebookcentral.proquest.com/lib/santaclara/detail.action?docID=5240570  |z Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)  |t 0 
907 |a .b31361031  |b 240906  |c 180305 
916 |a YBP DDA purchased 
918 |a .bckstg  |b 2016-12-01 
919 |a .pcat  |b 2016-12-01 
998 |a uww  |b 180409  |c m  |d z   |e l  |f eng  |g nju  |h 0 
999 f f |i 0b0eaa32-f3c8-53e9-982e-3b59bf4cf27f  |s 706d6193-37a9-52d5-bbe7-8506c6f99981  |t 0 

Similar Items