دانلود کتاب Probabilistic Machine Learning for Finance and Investing: A Primer to Generative AI with Python (Fifth Early Release)

توضیحاتی در مورد کتاب

چه بر اساس تئوری‌های دانشگاهی و چه بر اساس استراتژی‌های یادگیری ماشین، همه مدل‌های مالی در معرض خطاهای مدل‌سازی هستند که می‌توان آن‌ها را کاهش داد اما حذف نشد. فناوری‌های احتمالی ML مبتنی بر تعریف ساده و شهودی احتمال و محاسبات دقیق نظریه احتمال هستند.

این سیستم‌ها عدم قطعیت‌ها و خطاهای سیستم‌های مالی و سرمایه‌گذاری را به‌عنوان ویژگی‌ها و نه اشکالات در نظر می‌گیرند. و آنها عدم قطعیت ایجاد شده از ورودی ها و خروجی های نادقیق را به عنوان توزیع احتمال، نه تخمین نقطه ای، کمی می کنند. این امر استنتاج و پیش بینی های مالی واقع بینانه ای را ایجاد می کند که برای تصمیم گیری و مدیریت ریسک مفید است. این سیستم‌ها می‌توانند زمانی که استنباط‌ها و پیش‌بینی‌های آن‌ها دیگر در محیط فعلی بازار مفید نیستند، به ما هشدار دهند.

بر خلاف سیستم‌های هوش مصنوعی معمولی، سیستم‌های یادگیری ماشین احتمالی (ML) خطاها و عدم قطعیت‌ها را به‌عنوان ویژگی‌ها تلقی می‌کنند، نه باگ‌ها. . آنها عدم قطعیت ایجاد شده از ورودی ها و خروجی های مدل غیردقیق را به عنوان توزیع احتمال، نه تخمین نقطه ای، کمی می کنند. مهم‌تر از همه، این سیستم‌ها می‌توانند زمانی که استنباط‌ها و پیش‌بینی‌های آن‌ها دیگر در محیط فعلی بازار مفید نیستند، به ما هشدار دهند. این سیستم‌های ML پشتیبانی واقع‌بینانه‌ای را برای تصمیم‌گیری مالی و مدیریت ریسک در مواجهه با عدم قطعیت و اطلاعات ناقص ارائه می‌کنند.

ML احتمالی چارچوب و فناوری نسل بعدی ML برای سیستم‌های مالی و سرمایه‌گذاری مبتنی بر هوش مصنوعی برای بسیاری است. دلایل با دور شدن از روش‌های آماری معیوب (و دیدگاه مرسوم محدود کننده احتمال به عنوان یک بسامد محدودکننده)، به سمت یک دیدگاه شهودی از احتمال به عنوان یک چارچوب آماری دقیق ریاضی حرکت خواهید کرد که عدم قطعیت را به‌طور کلی و موفقیت‌آمیز کمی می‌کند. این کتاب به شما نشان می دهد که چگونه.