Gutscheinbedingungen

*Gültig bis 05.07.2026 auf (fast) alles. Ausgeschlossen sind Smartboxen, Zeitschriften, Tickets, Lebensmittel, Gaming-Elektroartikel, Tinte/Toner, Gutscheine, Geschenkkarten, Blumen und Abos | Einlösbar in allen Buchhandlungen von Orell Füssli, Barth Bücher, Buchladen Rapunzel, Papeterie Köhler, Schuler Orell Füssli, Stauffacher und ZAP unter Vorweisung des Gutscheins, auf www.orellfüssli.ch durch Eingabe des Gutscheincodes. Beim Service „eBooks verschenken“ und bei eBook-Käufen via eReader nicht einlösbar | Mindesteinkaufswert: Fr. 30.- | Nicht mit anderen Rabatten kumulierbar.

Produktbild: Machine Learning for Factor Investing

Machine Learning for Factor Investing Python Version

Fr. 115.00

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

08.08.2023

Abbildungen

schwarz-weiss Illustrationen, farbige Illustrationen, Raster, farbig, Zeichnungen, schwarz-weiss, Zeichnungen, farbig, Tabellen, schwarz-weiss

Verlag

Taylor & Francis

Seitenzahl

340

Maße (L/B/H)

25.4/17.8/1.9 cm

Gewicht

740 g

Sprache

Englisch

ISBN

978-0-367-63972-3

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

08.08.2023

Abbildungen

schwarz-weiss Illustrationen, farbige Illustrationen, Raster, farbig, Zeichnungen, schwarz-weiss, Zeichnungen, farbig, Tabellen, schwarz-weiss

Verlag

Taylor & Francis

Seitenzahl

340

Maße (L/B/H)

25.4/17.8/1.9 cm

Gewicht

740 g

Sprache

Englisch

ISBN

978-0-367-63972-3

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Die Leseprobe wird geladen.
  • Produktbild: Machine Learning for Factor Investing
  • Part 1. Introduction 1. Notations and data 2. Introduction 3. Factor investing and asset pricing anomalies 4. Data preprocessing Part 2. Common supervised algorithms 5. Penalized regressions and sparse hedging for minimum variance portfolios 6. Tree-based methods 7. Neural networks 8. Support vector machines 9. Bayesian methods Part 3. From predictions to portfolios 10. Validating and tuning 11. Ensemble models 12. Portfolio backtesting Part 4. Further important topics 13. Interpretability 14. Two key concepts: causality and non-stationarity 15. Unsupervised learning 16. Reinforcement learning Part 5. Appendix 17. Data description 18. Solutions to exercises