機器學習在量化金融中的應用

定　價：￥69.00

作　者：	倪好，于光希，鄭勁松，董欣著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥48.40)

ISBN：	9787302565963	出版時間：	2021-01-01	包裝：	平裝
開本：	16	頁數(shù)：	220	字數(shù)：

內容簡介

　　本書是資深金融數(shù)據(jù)分析專家多年工作的結晶。書中深入淺出地闡釋機器學習的數(shù)學基礎及其在金融數(shù)據(jù)分析領域的應用。全書共分9章。第1章介紹機器學習的發(fā)展狀況并概述機器學習在金融中的應用。第2章介紹監(jiān)督學習的通用框架。第3章描述最簡單的線性回歸模型——普通最小二乘法以及正則化方法——嶺回歸和套索回歸，并討論線性模型及非線性的回歸和分類方法。第4章討論監(jiān)督學習中的樹模型，包括決策樹、隨機森林和梯度提升樹。第5章重點介紹三種主要的神經(jīng)網(wǎng)絡：人工神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡。第6章和第7章介紹無監(jiān)督學習，主要包括聚類分析和主成分分析。第8章重點介紹強化學習在投資組合優(yōu)化中的應用。第9章以一個流行的數(shù)據(jù)挑戰(zhàn)項目為例，使用前幾章介紹的機器學習方法預測金融違約風險，為讀者提供解決實際數(shù)據(jù)問題的經(jīng)驗。本書內容豐富，理論嚴謹，案例翔實，不僅包括完整的理論推導，而且囊括可用于實際項目的案例代碼，適合高等院校計算機及相關專業(yè)的高年級本科生或者研究生閱讀，也可以作為機器學習愛好者及金融分析師等的參考用書。

作者簡介

　　倪好，倫敦大學學院數(shù)學系副教授。研究方向包括隨機分析、金融數(shù)學、機器學習和應用等。希望通過分享個人研究成果與經(jīng)驗心得，為對機器學習感興趣的讀者提供嚴謹簡捷的入門，并且側重于對計量金融方面的應用。于光希，倫敦大學學院金融數(shù)學碩士，專注機器學習在金融中的應用，現(xiàn)任申萬宏源證券研究所量化分析師。鄭勁松，德國杜伊斯堡埃森大學經(jīng)濟學博士，有多年量化風險分析與金融建模相關的海外工作經(jīng)驗，現(xiàn)任華泰證券算法工程師。董欣，倫敦帝國理工學院金融數(shù)學博士，專注金融衍生品做市研究，現(xiàn)任城堡證券研究量化分析師。

圖書目錄

目錄
第1章概述.............................1
1.1 大數(shù)據(jù)時代......................1
1.2 機器學習.........................2
1.3 量化金融.........................5
1.3.1 金融數(shù)據(jù)的挑戰(zhàn).............5
1.3.2 機器學習的金融應用.........5
1.3.3 量化金融的未來.............6
1.4 新一代寬客......................6
1.5 學習路線圖......................7
1.6 更多資源.........................8
1.6.1 Python庫..................8
1.6.2 圖書與其他在線資源.........9
1.7 本書之外........................10
第2章監(jiān)督學習.......................12
2.1 回歸任務框架...................12
2.1.1 模型.......................14
2.1.2 損失函數(shù)..................15
2.1.3 優(yōu)化方法..................16
2.1.4 預測和驗證................25
2.2 從回歸到分類...................28
2.2.1 分類變量..................28
2.2.2 模型.......................28
2.2.3 損失函數(shù)和優(yōu)化方法........29
2.2.4 預測和驗證................30
2.2.5 數(shù)值實驗..................32
2.3 集成方法........................35
2.3.1 集成原理..................36
2.3.2 同質集成法................37
2.3.3 異質集成法................41
2.4 練習.............................42
第3章線性回歸和正則化.............43
3.1 普通最小二乘法................43
3.1.1 公式推導..................43
3.1.2 優(yōu)缺點....................45
3.2 正則化線性模型................46
3.2.1 正則化....................46
3.2.2 嶺回歸....................47
3.2.3 套索回歸..................48
3.2.4 數(shù)值實驗..................50
3.2.5 兩種正則化方法的聯(lián)系.....52
3.3 線性模型延伸：基擴展.........55
3.4 練習.............................56
第4章樹模型..........................57
4.1 原理簡介........................57
4.2 決策樹..........................58
4.2.1 樹結構....................58
4.2.2 模型.......................60
4.2.3 回歸樹....................61
4.2.4 剪枝.......................65
4.2.5 特征重要性................65
4.3 隨機森林........................66
4.4 梯度提升樹.....................67
4.5 數(shù)值實驗：Iris數(shù)據(jù)集..........69
4.5.1 決策樹的實現(xiàn)..............69
4.5.2 隨機森林的實現(xiàn)............71
4.5.3 梯度提升樹的實現(xiàn)..........72
4.5.4 三種樹模型的比較..........72
4.6 練習.............................74
第5章神經(jīng)網(wǎng)絡.......................75
5.1 基本概念........................75
5.1.1 神經(jīng)元....................75
5.1.2 層.........................77
5.1.3 激活函數(shù)..................77
5.1.4 張量.......................80
5.2 人工神經(jīng)網(wǎng)絡...................81
5.2.1 淺層神經(jīng)網(wǎng)絡..............81
5.2.2 多層神經(jīng)網(wǎng)絡..............84
5.2.3 優(yōu)化方法..................86
5.2.4 數(shù)值實驗：MNIST數(shù)字識別.......................91
5.3 卷積神經(jīng)網(wǎng)絡...................95
5.3.1 原理簡介..................95
5.3.2 圖像數(shù)據(jù)..................96
5.3.3 模型.......................98
5.3.4 優(yōu)化方法.................107
5.3.5 數(shù)值實驗：Cifar10圖像識別.....................107
5.4 循環(huán)神經(jīng)網(wǎng)絡..................115
5.4.1 原理簡介.................115
5.4.2 序列數(shù)據(jù).................116
5.4.3 模型.....................117
5.4.4 優(yōu)化方法：BPTT.........118
5.4.5 循環(huán)神經(jīng)網(wǎng)絡的缺點......121
5.4.6 LSTM和GRU............124
5.4.7 數(shù)值實驗：高頻金融數(shù)據(jù)預測.....................125
5.5 練習...........................135
第6章聚類分析......................136
6.1 原理簡介......................136
6.2 聚類分析框架..................136
6.2.1 數(shù)據(jù)集...................137
6.2.2 相似性...................138
6.2.3 聚類方法.................138
6.2.4 檢驗指標.................139
6.3 K均值法......................140
6.3.1 原理簡介.................140
6.3.2 參數(shù)選擇.................141
6.3.3 K均值法的實現(xiàn)..........145
6.4 層次聚類......................146
6.4.1 鏈接方式.................146
6.4.2 樹狀圖...................147
6.4.3 層次聚類的實現(xiàn)...........149
6.5 密度聚類：DBSCAN...........149
6.5.1 原理簡介.................149
6.5.2 參數(shù)選擇.................151
6.6 分布聚類......................152
6.6.1 原理簡介.................152
6.6.2 最大期望算法.............152
6.7 數(shù)值實驗：聚類分析...........155
6.8 練習...........................155
第7章主成分分析....................156
7.1 原理簡介......................156
7.1.1 線性變換.................156
7.1.2 奇異值分解...............157
7.1.3 X和Z的方差............158
7.1.4 降維.....................159
7.1.5 實際問題.................159
7.1.6 主成分分析的實現(xiàn).........160
7.2 數(shù)值實驗：期限結構分析......161
7.2.1 利率期限結構.............161
7.2.2 數(shù)據(jù)和觀察值.............163
7.2.3 主成分分析與期限結構....164
7.2.4 主成分分析與對沖.........168
7.2.5 主成分分析與聚類分析....171
7.3 練習...........................172
第8章強化學習......................173
8.1 原理簡介......................173
8.2 循環(huán)強化學習..................175
8.3 從RNN到RRL...............177
8.4 數(shù)值實驗：算法交易...........182
8.5 練習...........................187
第9章金融案例研究：違約風險預測...........................188
9.1 問題設定與數(shù)據(jù)...............189
9.2 探索性數(shù)據(jù)分析...............191
9.2.1 不平衡數(shù)據(jù)...............191
9.2.2 缺失值...................192
9.2.3 特征分組.................192
9.3 構建第一個分類器.............193
9.3.1 數(shù)據(jù)預處理...............193
9.3.2 特征工程.................193
9.3.3 訓練模型.................195
9.3.4 折外預測.................196
9.3.5 參數(shù)調整.................199
9.4 模型集成......................200
9.5 提交結果......................202
9.6 練習...........................202
9.6.1 CFM挑戰(zhàn)：波動率預測................202
9.6.2 Kaggle其他金融應用競賽.....................204
參考文獻................................205