Isso dos livros depende muito da pessoa e do caminho que pretendes seguir.
Nenhum desses 3 está sequer perto de estar na lista de compras, mesmo o de finanças é demasiado focado em derivados e não em asset allocation.
Livros que estou curioso para além dos 2 acima:
Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (MIT Press) 1st Edition
by John D. Kelleher (Author), Brian Mac Namee (Author), Aoife D'Arcy (Author)
Deep Learning (Adaptive Computation and Machine Learning series) Hardcover – November 18, 2016
by Ian Goodfellow (Author), Yoshua Bengio (Author), Aaron Courville (Author)
Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 1st Edition
by Aurélien Géron (Author)
An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics) 1st ed. 2013, Corr. 7th printing 2017 Edition
by Gareth James (Author), Daniela Witten (Author), Trevor Hastie (Author), Robert Tibshirani (Author)
Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 2nd Edition
by Wes McKinney (Author)
Este último sendo provavelmente o mais simples. Mas tenho que O livro sobre pandas. O Wes McKinney quando criou o pandas trabalhava num hedge fund e o pandas foi criado com dados financeiros em mente. Entretanto já evoluiu muito mas as sementes estão lá
Este livro está para o python como o
R for Data Science: Import, Tidy, Transform, Visualize, and Model Data 1st Edition
by Hadley Wickham (Author), Garrett Grolemund (Author)
está para o R. O livro do Wickham é também muito bom. Aliás, só trabalho mais em python por uma questão de visualização. Engraçado como toda a gente prefere a visualização do R, por causa do ggplot 2 mas eu prefiro de longe o matplotlib. Depois acrescentando a isso o cufflinks e o seaborn tenho gráficos que nunca pensei conseguir fazer, e ainda por cima apenas em meia dúzia de linhas (porque sou picuinhas senão eram numa linha como normalmente para EDA simples).
O R com o tidyverse + reports criados pelo yihui + R Shiny é, para mim, um workflow e ferramentas complicadas de bater. As ferramentas de visualização do python são é bastante mais bonitas na minha opinião, mas o trabalhar os dados prefiro R.
Espero é daqui a uns anos haver um salto da linguagem Julia, que provavelmente será o futuro de Datascience a médio prazo.
Em relação a estar tudo alinhado em termos de aprendizagem é simples, é apenas um alinhamento profissional. O caminho a percorrer é simplesmente aquele mais necessário em termos profissionais, por isso nem ligo a algo trading ou a análise fundamental. O objectivo é fazer as melhores carteiras de investimento e report das mesmas.
Tenho muita curiosidade em fazer umas análises estatísticas a volatilidades e ver o que conseguiria fazer em termos de trading com isso, mas com tanto para fazer isso está como hobby para daqui a uns (largos) anos.