Código complementario del libro Machine Learning for Trading (3.ª edición), que abarca un flujo de trabajo integral desde la obtención de datos hasta el trading en vivo.
Esta página presenta un proyecto de código abierto y no constituye asesoramiento de inversión. Operar e invertir puede generar pérdidas: evalúa el riesgo por tu cuenta y cumple las leyes de tu país antes de usarlo.
Este repositorio contiene el código de Machine Learning for Trading, 3rd Edition. Está organizado en 27 capítulos, cada uno con notebooks de Jupyter y una guía, además de nueve casos de estudio que aplican el mismo flujo de trabajo a distintos mercados: ETF, perpetuos de criptomonedas, acciones intradía, opciones, FX, futuros y paneles de factores de renta variable. El proyecto se centra en convertir una idea de investigación en una estrategia que tenga en cuenta los costos y el riesgo, y después en un sistema de trading en vivo con monitorización.
El material abarca el manejo de datos financieros con Polars, la ingeniería de características, modelos que van desde líneas base lineales y gradient boosting hasta arquitecturas profundas de series temporales, aprendizaje por refuerzo para ejecución y cobertura, machine learning causal, y generación aumentada por recuperación y agentes aplicados a la investigación financiera. El backtesting, el modelado de costos de transacción, la construcción de carteras y los controles contra el sobreajuste, como el Deflated Sharpe Ratio, son temas centrales.
La configuración está disponible mediante una imagen de Docker o un entorno local de uv, con scripts para descargar los conjuntos de datos gratuitos y verificar la instalación. El material anterior sigue disponible en la rama de la segunda edición.
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Kit de herramientas de Python para investigar estrategias de trading y probar miles de ideas en distintos activos y marcos temporales mediante operaciones vectorizadas de NumPy y pandas.
Plataforma de inversión cuantitativa orientada a la IA de Microsoft, que abarca datos, entrenamiento de modelos, backtesting y ejecución de órdenes para la investigación cuantitativa.
Framework de Python para probar estrategias algorítmicas y operar en vivo en exchanges descentralizados, con datos de mercado on-chain.
Motor de trading nativo en Rust y basado en eventos, con un plano de control en Python para backtesting y operativa en vivo en mercados de criptomonedas, FX, acciones, futuros, opciones y apuestas.
Framework de Python autoalojado para investigar, hacer backtesting y optimizar estrategias propias de trading de criptomonedas, y operarlas en vivo.
Framework de Python para entrenar modelos de ML con datos históricos del mercado cripto, aplicar ingeniería de características y ejecutarlos como un servicio en línea que envía señales de trading.