CHAPITRE 1 L'apprentissage automatique en finance et en investissement
1.1 La relation trilatérale entre l'IA, la finance et l'investissement
1.2 Applications de l'apprentissage automatique dans les domaines de l'investissement réel
1.3 Algorithmes utilisés dans le domaine de l'investissement
1.4 Données utilisées dans le domaine de l'investissement
1.5 En conclusion

CHAPITRE 2 : Utilisation de Python pour l'analyse des données financières
2.1 Date et heure
2.2 Utilisation de Pandas pour le prétraitement et l'analyse des données financières
2.3 Utilisation des API ouvertes pour l'analyse des données financières
2.4 En conclusion

CHAPITRE 3 : Stratégies d’investissement et indicateurs clés créés avec Python
3.1 Stratégie d'achat et de conservation
3.2 Indicateurs d'analyse de la performance des investissements
3.3 En conclusion

CHAPITRE 4 Stratégies d'investissement quantitatives traditionnelles
4.1 Introduction à la méthodologie quantitative traditionnelle
4.2 Stratégie de retour à la moyenne
4.3 Stratégie à double momentum
4.4 Stratégies quantitatives d'investissement de valeur
4.5 En conclusion

CHAPITRE 5 L'apprentissage automatique en finance
5.1 Pourquoi utiliser l'apprentissage automatique ?
5.2 Introduction aux algorithmes d'apprentissage automatique
5.3 Méthodes de validation croisée pour les données de séries temporelles financières
5.4 Prétraitement des données en finance
5.5 Critères d'évaluation des stratégies utilisant l'apprentissage automatique
5.6 Tests de rétroaction
5.7 Scikit-learn pour la mise en œuvre d'algorithmes d'apprentissage automatique
5.8 En conclusion

CHAPITRE 6 : Stratégies d'investissement utilisant l'apprentissage automatique
6.1 Prévoir l'évolution du cours des actions à l'aide d'ETF
6.2 Stratégies d'investissement utilisant l'algorithme des k plus proches voisins
6.3 Classification des actions à l'aide d'algorithmes de clustering
6.4 En conclusion

CHAPITRE 7 L'apprentissage profond en finance
7.1 Apprentissage profond
7.2 Keras pour l'implémentation d'algorithmes d'apprentissage profond
7.3 En conclusion

CHAPITRE 8 : Stratégies d'investissement utilisant l'apprentissage profond
8.1 Analyse prédictive des graphiques en chandeliers japonais à l'aide d'un réseau de neurones convolutif (CNN)
8.2 Prédiction de l'évolution du cours des actions à l'aide d'un RNN
8.3 Génération de données sur les cours boursiers à l'aide d'auto-encodeurs
8.4 En conclusion

Annexe A Bibliothèque Python de gestion du temps et des dates
Annexe B API de backtesting à l'aide de Python
Annexe C Termes financiers et principaux indicateurs macroéconomiques
Annexe D : Bibliothèques Python financières

Études de cas d'investissement utilisant l'apprentissage automatique et l'apprentissage profond
Utilisation de NumPy et Pandas pour l'analyse des données financières
Stratégies d'investissement et indicateurs clés créés avec Python
• Mise en œuvre de stratégies quantitatives traditionnelles à l'aide de données financières
• Mise en œuvre de stratégies d'investissement utilisant l'apprentissage automatique
• Mise en œuvre de stratégies d'investissement utilisant l'apprentissage profond

Dans les années 1990, les investisseurs individuels s'appuyaient généralement sur un seul graphique affiché sur un tableau électronique pour effectuer leurs investissements.
À l'époque, je connaissais quelqu'un qui travaillait dans la gestion de systèmes informatiques dans le secteur des valeurs mobilières. Il pouvait consulter rapidement les données graphiques et investir lui-même, ce qui lui permettait d'obtenir des rendements supérieurs à ceux des investisseurs individuels qui se fiaient aux graphiques électroniques.
Cependant, à mesure que les ordinateurs se sont répandus et que même les gens ordinaires ont pu facilement analyser des graphiques, l'avantage dont ils avaient bénéficié jusqu'alors a progressivement disparu.

N'est-ce pas également vrai pour l'apprentissage automatique ? Les fonds spéculatifs, forts de leurs connaissances en apprentissage automatique et en informatique et disposant d'une multitude de données, pourraient sembler avoir un avantage considérable.
Cependant, grâce à la démocratisation des données et à la mise à disposition de nombreuses ressources open source utiles, les particuliers peuvent désormais mettre en œuvre des stratégies quantitatives basées sur l'apprentissage automatique en utilisant des bibliothèques financières qui fournissent des données et des fonctions pratiques.
Si vous ne vous préparez pas maintenant, il sera peut-être trop tard.
C’est maintenant votre moment.
J'espère sincèrement que ce livre suscitera l'intérêt d'un plus grand nombre de personnes pour le développement de stratégies d'investissement basées sur l'apprentissage automatique et les encouragera à prendre en compte l'impact potentiel de l'intelligence artificielle sur la finance d'investissement.


À qui s'adresse ce livre ?

• Les personnes intéressées par l'investissement quantitatif général et l'investissement quantitatif basé sur l'apprentissage automatique (quantitatif)
Les investisseurs qui souhaitent appliquer l'apprentissage automatique à des applications pratiques (finance d'investissement)
• Les data scientists, les étudiants et le grand public intéressés par les données financières
Les gestionnaires du secteur financier se préparent à la quatrième révolution industrielle
• Toute personne curieuse de connaître les algorithmes d'apprentissage automatique utilisés dans les secteurs financiers américain et coréen