Dieses Element bietet einen umfassenden Leitfaden für Deep Learning im quantitativen Handel, der grundlegende Theorien mit praktischen Anwendungen kombiniert. Es ist in zwei Teile gegliedert.

Der erste Teil führt in die Grundlagen der Finanzzeitreihen und des überwachten Lernens ein und untersucht verschiedene Netzwerkarchitekturen, von der Vorwärtsmatrix bis zu den modernen Ansätzen. Um die Robustheit zu gewährleisten und Überanpassung bei komplexen Realwelt-Daten zu reduzieren, wird ein umfassender Workflow vorgestellt, der bei der Datenanalyse beginnt und sich bis zu Techniken der Kreuzvalidierung erstreckt, die auf Finanzdaten zugeschnitten sind.

Der zweite Teil wendet Deep-Learning-Methoden auf eine Reihe von Finanzaufgaben an. Die Autoren zeigen, wie Deep-Learning-Modelle sowohl trendbasierte Trading-Strategien als auch sektorübergreifende Strategien verbessern, zuvor prognostizierende Signale erstellen und als ein ganzheitlicher Prozess zur Portfolio-Optimierung formuliert werden können. Die Anwendungen umfassen eine Mischung aus Daten, von täglichen Daten bis hin zu hochfrequenten Microstructure-Daten, für eine Vielzahl von Vermögenswertkategorien.

Der gesamte Inhalt enthält Code-Beispiele für ein besseres Verständnis sowie eine dedizierte Speicherung auf GitHub mit detaillierten Implementierungen.

Seiten: 184