量化 | 适用于Python机器学习的4本书

Posted 2021-04-06 ALPHA ZONE

我们在之前中讨论了统计建模和机器学习的重要性。如果有兴趣成为量化交易研究人员，则机器学习尤为重要。

在本文中，我想重点介绍一些从 编程角度 而不是数学角度讨论机器学习的书籍。对于希望最终进入定量交易的定量开发人员或传统软件开发人员而言，此路线更为合适。

1.集体智慧编程：构建智能Web 2.0应用 -Toby Segaran

这实际上是我认为介绍Python机器学习最为贴切的一本书，它最初用于介绍如何构建消费者分析类应用程序。这本书非常适合那些希望确切了解如何实现机器学习算法（在纯Python中）而不是被教如何使用特定库的人。

虽然使用特定库（类似于 scikit-learn ）能够简化我们的代码，但是刚开始入门机器学习，还是应该尽可能地去理解算法的原理，而并不是模型的实现。

本书涵盖了广泛的主题和领域。特别是有关于推荐，聚类，搜索/排名，优化，决策树，支持向量机，特征检测和遗传编程的部分。尽管这本书与量化金融的关系不那么直接，但我认为它是学习机器学习过程的最佳资料，绝对值得新手阅读。

2.机器学习系统设计 -Willi Richert，Luis Pedro Coelho

本书详细介绍了如何使用scikit-learn进行回归和分类任务。除了广泛地介绍scikit-learn之外，它实际上还考虑了其他库，例如gensim（用于主题模型算法）。这本书花了相当多的时间来研究当前量化交易中的热门话题----- 基于文本的分类和情感分析 ，因为不管是散户还是基金公司目前都在尝试开发基于社交媒体情绪进行交易的策略。

该书还考虑了推荐方案中的回归（ Regression），尽管它本身很有趣，但可能更适用于数据科学家和消费者分析程序员。

3. 机器学习 实战 -Peter Harrington

本书分为三个主要领域-有监督的分类，有监督的回归和无监督的学习（例如降维）。它对这些主题进行了很多详细介绍，并对许多不同的算法进行了比较。与以上讨论的先前书籍相比，该书籍在数学上更具针对性，因此这可能会吸引具有应用数学背景的Python程序员。

该书还通过介绍Hadoop，MapReduce和Amazon Web Services（AWS）考虑了“大数据”的新兴领域。这对于一些也利用消费者或基于互联网的数据来执行其交易算法的量化金融公司进行学习也是十分合适的。

4.机器学习：算法视角 -Stephen Marsland

本书从算法角度了解Python机器学习领域。它涵盖了以前的书中没有讨论的主题，例如神经网络，隐马尔可夫模型和马尔可夫链蒙特卡洛。尽管采用了数学方法，仍然有大量的Python代码，因此该书可以在“计算机上”阅读， 边写代码边学效果更好 ，当然这种方法对学习所以编程都有用，毕竟“没写够20000行代码，你还想用说你已经入门机器学习？“

尽管该书在数学上涵盖了许多基础知识，但是可能需要用一本有关统计方法的书（例如《统计学习的基础》）来对其进行补充。如果想要深入学习，还需要对贝叶斯统计有基本的了解，因为本书中的许多方法都涉及到这一领域。

【相关文章】