📈 یادگیری ماشین برای معامله‌گری، ویرایش سوم

🤖 سیستم‌های معاملاتی مبتنی بر AI رو با ورک‌فلو هفت‌مرحله‌ای طراحی و دیپلوی کن؛ با استفاده از ابزارهایی مثل pandas، Polars، LightGBM، PyTorch، Optuna، zipline-reloaded، MLflow، Feast و SHAP.

✨ ویژگی‌های کلیدی

🗄️ پایپ‌لاین‌های Point-in-Time میسازی، داده‌های جایگزین رو یکپارچه میکنی و از صحت و یکپارچگی داده‌ها مطمئن میشی

🧠 مدل‌های پیش‌بینی‌گر رو با GBMها، Transformerها و فریم‌ورک‌های استنباط علّی میسازی و اعتبارسنجی میکنی تا سیگنال‌های آلفای مقاوم و قابل‌تفسیر تولید کنی

🤖 سیستم‌های RAG، ایجنت‌های مالی خودمختار و مولدهای داده مصنوعی مبتنی بر مدل‌های Diffusion رو دیپلوی میکنی

📘 توضیح کتاب

📊 رشد سریع AI و پیچیده‌تر شدن بازارهای مالی، معامله‌گری کمی رو به حوزه‌ای داده‌محور و فرایندمحور تبدیل کرده. ویرایش سوم این کتاب، یک نقشه‌راه جامع برای طراحی، اعتبارسنجی و دیپلوی استراتژی‌های معاملاتی سیستماتیک با استفاده از تکنیک‌های مدرن یادگیری ماشین ارائه میده.

⚙️ کتاب ورک‌فلو هفت‌مرحله‌ای ML4T رو معرفی میکنه؛ یک فریم‌ورک حرفه‌ای که مهندسی داده، توسعه مدل، اعتبارسنجی و دیپلوی زنده رو در یک فرایند منسجم کنار هم قرار میده. یاد میگیری چطور داده‌های خام بازار، داده‌های بنیادی و داده‌های جایگزین رو به سیگنال‌های پیش‌بینی‌گر و سیستم‌های معاملاتی مقاوم و آماده پروداکشن تبدیل کنی.

🧩 با کتابخونه‌هایی مثل Polars، LightGBM، PyTorch و Optuna، پایپ‌لاین‌های پیشرفته‌ای برای مهندسی Feature، ارزیابی مدل و بهینه‌سازی پورتفوی میسازی.

🧪 نوت‌بوک‌های عملی کتاب تمام مراحل ورک‌فلو رو نمایش میدن؛ از تست فاکتورها و بک‌تست با zipline-reloaded گرفته تا دیپلوی زنده با ابزارهای MLOps مثل MLflow، Feast و Prometheus.

🔬 موضوع‌های پیشرفته‌تری مثل تولید داده‌های مصنوعی، Graph Neural Networkها و Reinforcement Learning هم پوشش داده میشن تا ابزارهای بیشتری برای ساخت استراتژی‌های مقاوم و تطبیق‌پذیر در بازارهای پویا داشته باشی.

🚀 تا پایان کتاب، مهارت لازم رو داری تا «کارخانه آلفای» خودت رو در سطح صنعتی طراحی و راه‌اندازی کنی؛ سیستمی که پژوهش، اعتبارسنجی، مدیریت ریسک و اجرای زنده استراتژی‌ها رو به هم متصل میکنه.

🎯 چیزهایی که یاد میگیری

📥 داده‌های خام رو به فاکتورهای آلفای پیش‌بینی‌گر تبدیل میکنی و اون‌ها رو با Cross-Validation بدون نشت داده اعتبارسنجی میکنی

🧠 روی مدل‌های پیشرفته، از Gradient Boosting Machineها تا Transformerها، Graph Neural Networkها و ایجنت‌های Reinforcement Learning مسلط میشی

🤖 از Generative AI، Retrieval-Augmented Generation و استنباط علّی استفاده میکنی تا مدل‌ها قابل‌تفسیر، قابل‌ممیزی و سازگار با الزامات قانونی باشن

🏗️ با استفاده از MLOps، Feature Storeها و مانیتورینگ مدل، زیرساخت معاملاتی آماده پروداکشن میسازی تا پژوهش رو با امنیت بیشتری به معاملات واقعی و سرمایه زنده منتقل کنی

👤 این کتاب برای چه کسانیه؟

📈 این کتاب برای تحلیلگرهای داده، دانشمندهای داده، دولوپرهای Python، تحلیلگرهای سرمایه‌گذاری و مدیرهای پورتفوی نوشته شده که میخوان یادگیری ماشین رو به‌صورت عملی در معامله‌گری به کار بگیرن.

🗂️ اگر میخوای از منابع متنوع داده ارزش استخراج کنی و با استفاده از یادگیری ماشین، استراتژی‌های معاملاتی سیستماتیک خودت رو طراحی کنی، این کتاب برای تو مناسبه.

📌 برای استفاده از مطالب کتاب، داشتن درک پایه‌ای از Python و تکنیک‌های یادگیری ماشین لازمه.

📖 فهرست مطالب

فصل ۱. فرایند، مزیت رقابتی توست

فصل ۲. دنیای داده‌های مالی

فصل ۳. ریزساختار بازار

فصل ۴. داده‌های بنیادی و جایگزین

فصل ۵. داده‌های مالی مصنوعی

فصل ۶. فریم‌ورک پژوهش استراتژی

فصل ۷. تعریف تسک یادگیری

فصل ۸. مهندسی Featureهای مالی

فصل ۹. استخراج Feature مبتنی بر مدل

فصل ۱۰. مهندسی Featureهای متنی

فصل ۱۱. پایپ‌لاین یادگیری ماشین

فصل ۱۲. مدل‌های پیشرفته برای داده‌های جدولی

فصل ۱۳. Deep Learning برای سری‌های زمانی

فصل ۱۴. مدل‌های فاکتور پنهان

فصل ۱۵. یادگیری ماشین علّی

فصل ۱۶. شبیه‌سازی استراتژی

فصل ۱۷. ساخت پورتفوی

فصل ۱۸. هزینه‌های تراکنش

فصل ۱۹. مدیریت ریسک

فصل ۲۰. ترکیب استراتژی‌ها

فصل ۲۱. Reinforcement Learning

فصل ۲۲. RAG برای پژوهش مالی

فصل ۲۳. گراف‌های دانش

فصل ۲۴. ایجنت‌های خودمختار

فصل ۲۵. سیستم‌های معاملات زنده

فصل ۲۶. MLOps و Governance

فصل ۲۷. مزیت سیستماتیک

💬 نظر درباره کتاب

💭 «کتاب‌های زیادی درباره فایننس کمی خونده‌ام و بیشتر اون‌ها در یک دام مشترک میفتن: تعداد زیادی الگوریتم ارائه میدن، کمی داده بازار به اون اضافه میکنن و کار رو تمام‌شده میدونن. اما ویرایش سوم کتاب Machine Learning for Trading نوشته استفان یانسن چنین رویکردی نداره.

این کتاب بیشتر شبیه نوت‌بوک کاری یک متخصص عملیه تا یک کتاب درسی. از ابتدا فرض میکنه بازارها آشفته، غیرایستا و آماده نابود کردن بک‌تست تو هستن و تمام مطالب رو بر همین اساس میسازه.

اگر میخوای فایننس رو در دنیای مدرن AI و سیستم‌های ایجنتی درک کنی، خرید این کتاب رو حتماً پیشنهاد میکنم. این اثر یک راهنمای جامع و قطعی است.»

— آنتونیو گولی، مدیر ارشد مهندسی در دفتر CTO شرکت Google

👤 درباره نویسنده

👨‍💼 استفان یانسن بنیان‌گذار و مدیرعامل Applied AI است. او به شرکت‌های Fortune 500، مؤسسه‌های سرمایه‌گذاری و استارتاپ‌های صنایع مختلف در زمینه استراتژی داده و AI، ساخت تیم‌های Data Science و توسعه راهکارهای انتهابه‌انتهای یادگیری ماشین مشاوره میده.

Build and deploy AI-driven trading systems using the 7-Stage workflow with pandas, Polars, LightGBM, PyTorch, Optuna, zipline-reloaded, MLflow, Feast, and SHAP

Key Features

• Build point-in-time pipelines, integrate alternative data, and ensure data integrity
• Build and validate predictive models using GBMs, Transformers, and causal inference frameworks to create robust, interpretable alpha signals
• Deploy RAG systems, autonomous financial agents, and diffusion-based synthetic data generators

Book Description

The rapid rise of AI and the growing complexity of financial markets have transformed quantitative trading into a data-driven, process-oriented discipline. This third edition provides a comprehensive blueprint for designing, validating, and deploying systematic trading strategies powered by modern machine learning.

It introduces the 7 stage ML4T Workflow, a professional framework that unites data engineering, model development, validation, and live deployment into one cohesive process. It demonstrates how to turn raw market, fundamental, and alternative data into predictive signals and robust, production-ready trading systems.

You’ll learn to build advanced pipelines for feature engineering, model evaluation, and portfolio optimization using libraries such as Polars, LightGBM, PyTorch, and Optuna.

Practical notebooks illustrate every stage of the workflow, from factor testing and backtesting with zipline reloaded to live deployment with MLOps tools such as MLflow, Feast, and Prometheus. Additional coverage of synthetic data generation, Graph Neural Networks, and Reinforcement Learning extends the toolkit for building resilient, adaptive strategies that thrive in dynamic markets.

By the end of this book, you’ll be proficient to build your own industrial-grade “alpha factory".

What you will learn

• Transform raw data into predictive alpha factors, validated with leak-proof cross-validation
• Master advanced models, from Gradient Boosting Machines to Transformers, Graph Neural Networks, and Reinforcement Learning agents
• Harness Generative AI, Retrieval Augmented Generation, and Causal Inference to make models interpretable, auditable, and compliant with regulatory standards
• Build production-ready trading infrastructure using MLOps, feature stores, and model monitoring to transition research into live capital deployment safely

Who this book is for

If you are a data analyst, data scientist, Python developer, investment analyst, or portfolio manager interested in getting hands-on machine learning knowledge for trading, this book is for you. This book is for you if you want to learn how to extract value from a diverse set of data sources using machine learning to design your own systematic trading strategies.

Some understanding of Python and machine learning techniques is required.

Table of Contents

1. The Process is Your Edge
2. The Financial Data Universe
3. Market Microstructure
4. Fundamental and Alternative Data
5. Synthetic Financial Data
6. Strategy Research Framework
7. Defining the Learning Task
8. Financial Feature Engineering
9. Model-Based Feature Extraction
10. Text Feature Engineering
11. The ML Pipeline
12. Advanced Models for Tabular Data
13. Deep Learning for Time Series
14. Latent Factor Models
15. Causal Machine Learning
16. Strategy Simulation
17. Portfolio Construction
18. Transaction Costs
19. Risk Management
20. Strategy Synthesis
21. Reinforcement Learning
22. RAG for Financial Research
23. Knowledge Graphs
24. Autonomous Agents
25. Live Trading Systems
26. MLOps and Governance
27. The Systematic Edge

Review

“I've read a lot of quant finance books, and most of them fall into the same trap: pile on the algorithms, sprinkle in some market data, and call it a day. Stefan Jansen's third edition of Machine Learning for Trading doesn't do that. It's more of a working practitioner's notebook than a textbook. The whole thing assumes markets are messy, non-stationary, and out to ruin your backtest, and it builds from there.

I definitely recommend buying this book if you want to understand finance in the modern AI and agentic world. It's a definitive guide.”

Antonio Gulli, Senior Engineering Director, Office of the CTO, Google

About the Author

Stefan is the founder and CEO of Applied AI. He advises Fortune 500 companies, investment firms, and startups across industries on data & AI strategy, building data science teams, and developing end to end machine learning solutions.