9781009702423 - machine learning for asset managers (elements in quantitative finance) von lópez de prado, marcos m. (4 Ergebnisse)
Sprache: Englisch
Verlag: Cambridge University Press, 2026
- Hardcover
Anbieter: Books From California, Simi Valley, CA, USABooks From California
Verkäufer/-in kontaktierenVerkäufer/-in mit 4 SternenZustand: Gebraucht - Sehr gut
EUR 37,04
EUR 4,38 VersandVersand innerhalb von USAAnzahl: 2 verfügbar
hardcover. Zustand: Fine.
Sprache: Englisch
Verlag: Cambridge University Press, 2026
- Hardcover
Anbieter: Kennys Bookstore, Olney, MD, USAKennys Bookstore
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 102,78
EUR 9,22 VersandVersand innerhalb von USAAnzahl: Mehr als 20 verfügbar
Zustand: New. 2026. hardcover. . . . . . Books ship from the US and Ireland.
Sprache: Englisch
Verlag: Cambridge University Press, 2026
- Hardcover
Anbieter: Revaluation Books, Exeter, Vereinigtes KönigreichRevaluation Books
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 115,52
EUR 11,67 VersandVersand von Vereinigtes Königreich nach USAAnzahl: 2 verfügbar
Hardcover. Zustand: Brand New. 152 pages. 6.00x0.38x9.00 inches. In Stock.
- Weitere Bilder
Sprache: Englisch
Verlag: Cambridge University Press Jan 2026, 2026
- Hardcover
Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 81,17
EUR 61,86 VersandVersand von Deutschland nach USAAnzahl: 1 verfügbar
Buch. Zustand: Neu. Neuware - Successful investment strategies are specific implementations of general theories. An investment strategy that lacks a theoretical justification is likely to be false. Hence, an asset manager should concentrate her efforts on developing a theory rather than on backtesting potential trading rules. Th…e purpose of this Element is to introduce machine learning (ML) tools that can help asset managers discover economic and financial theories. ML is not a black box, and it does not necessarily overfit. ML tools complement rather than replace the classical statistical methods. Some of ML's strengths include (1) a focus on out-of-sample predictability over variance adjudication; (2) the use of computational methods to avoid relying on (potentially unrealistic) assumptions; (3) the ability to 'learn' complex specifications, including nonlinear, hierarchical, and noncontinuous interaction effects in a high-dimensional space; and (4) the ability to disentangle the variable search from the specification search, robust to multicollinearity and other substitution effects.
