ارزش یادگیری ماشین (ML) در امور مالی هر روز آشکارتر می‌شود. انتظار می‌رود که یادگیری ماشین برای عملکرد بازارهای مالی بسیار مهم شود. تحلیلگران، مدیران پورتفولیو، بازرگانان و مدیران ارشد سرمایه گذاری، همه باید با تکنیک‌های ML آشنا باشند. برای بانک‌ها و سایر موسسات مالی که در تلاشند تا تجزیه و تحلیل مالی را بهبود بخشند، فرآیندها را ساده کنند و امنیت را افزایش دهند، ML به فناوری منتخب تبدیل شده است. استفاده از ML در موسسات روند رو به افزایشی دارد و پتانسیل آن برای بهبود سیستم‌های مختلف را می‌توان در استراتژی‌های معاملاتی، قیمت گذاری و مدیریت ریسک مشاهده کرد.

اگرچه یادگیری ماشین در تمام بخش‌های صنعت خدمات مالی پیشرفت قابل توجهی کرده است، اما بین ایده‌ها و اجرای الگوریتم‌های یادگیری ماشین شکافی وجود دارد. درباره این حوزه‌ها انبوهی از مطالب در وب در دسترس است، اما بسیار کم سازماندهی شده اند. علاوه بر این، بیشتر مطالب فقط به الگوریتم‌های تجارت محدود است. کتاب «نقشه‌های یادگیری ماشین و علم داده برای امور مالی» این خلا را پر می‌کند و یک جعبه ابزار یادگیری ماشین سفارشی شده برای بازار‌های مالی را فراهم می‌کند که به خوانندگان اجازه می‌دهد تا بخشی از انقلاب یادگیری ماشین باشند. این کتاب محدود به استراتژی‌های سرمایه گذاری یا معاملاتی نیست، بلکه بر روی استفاده از هنر و صنعت ساخت الگوریتم‌های مبتنی بر ML تمرکز دارد که در صنعت مالی بسیار مهم هستند.

پیاده سازی مدل‌های یادگیری ماشین در امور مالی آسانتر از آن است که عموم تصور می‌کنند. همچنین یک تصور غلط وجود دارد که برای ساخت مدل‌های یادگیری ماشین به کلان داده نیاز است. موارد مطالعاتی در این کتاب تقریباً تمام زمینه‌های یادگیری ماشین را دربر می‌گیرد و هدف آنها مدیریت چنین باورهای غلطی است. این کتاب نه تنها تئوری و موارد مطالعاتی مربوط به استفاده از ML در استراتژی‌های تجاری را پوشش می‌دهد، بلکه در سایر مفاهیم مهم «نیاز به دانستن» مانند مدیریت پورتفولیو، قیمت گذاری مشتقه، تشخیص کلاه برداری، رتبه بندی اعتبار شرکت ها، توسعه مشاور robo و توسعه chatbot نیز ورود می‌کند. این کتاب مسائل واقعی را که متخصصان با آن روبرو هستند را بررسی می‌کند و راه حل‌های علمی معتبری را ارائه می‌دهد که بر کد‌ها و مثال‌ها متکی هستند.

مطالبی که در کتاب «نقشه‌های یادگیری ماشین و علم داده برای امور مالی» یاد خواهید گرفت:

• مدل‌های مبتنی بر رگرسیون یادگیری تحت نظارت برای استراتژی‌های تجارت، قیمت گذاری مشتق شده و مدیریت پورتفولیو
• مدل‌های مبتنی بر طبقه بندی یادگیری تحت نظارت برای پیش بینی ریسک پیش فرض اعتبار، تشخیص کلاهبرداری و استراتژی‌های معاملاتی
• تکنیک‌های کاهش ابعاد با موارد مطالعاتی در مدیریت پورتفولیو، استراتژی معاملات و ساخت منحنی عملکرد
• الگوریتم‌ها و تکنیک‌های خوشه بندی برای یافتن اشیا مشابه، با موارد مطالعاتی در استراتژی‌های معاملاتی و مدیریت پورتفولیو
• تقویت مدل‌های یادگیری و تکنیک‌های مورد استفاده برای ساختن استراتژی‌های معاملاتی، پوشش ریسک مشتق شده و مدیریت پورتفولیو
• تکنیک‌های NLP با استفاده از کتابخانه‌های پایتون مانند NLTK و scikit-learn برای تبدیل متن به نمایش‌های معنادار