前言
機器學(xué)習(xí)在金融業(yè)的價值日益顯著。可以預(yù)見，金融市場運轉(zhuǎn)必將離不開機器學(xué)習(xí)。分析師、投資組合經(jīng)理、交易員和首席投資官都應(yīng)熟悉機器學(xué)習(xí)。銀行和其他金融機構(gòu)正力求改進金融分析技術(shù)，簡化流程，并增強安全性，而機器學(xué)習(xí)逐漸成為其首選技術(shù)。機器學(xué)習(xí)在金融機構(gòu)的應(yīng)用呈上升趨勢，它有潛力改進各種系統(tǒng)，這一點體現(xiàn)在交易策略、定價和風(fēng)險管理上。
盡管機器學(xué)習(xí)正對金融服務(wù)業(yè)所有垂直領(lǐng)域產(chǎn)生重大影響，但一道鴻溝橫亙于機器學(xué)習(xí)算法的理念和實現(xiàn)之間。網(wǎng)上有關(guān)這些領(lǐng)域的材料鋪天蓋地，可條理清楚者少之又少。此外，大多數(shù)材料跑不出機器學(xué)習(xí)在算法交易中的應(yīng)用這一主題。本書則填補該空白，為金融市場量身打造機器學(xué)習(xí)工具箱。讀者掌握這些工具，就可在用機器學(xué)習(xí)變革金融業(yè)的浪潮中一展身手。本書突破投資或交易策略領(lǐng)域，放眼用機器學(xué)習(xí)技藝研制金融業(yè)核心算法的全貌。
人們常以為機器學(xué)習(xí)模型較難實現(xiàn)，但金融業(yè)的機器學(xué)習(xí)模型并不難。人們還誤以為建模必須要用大數(shù)據(jù)。有鑒于此，本書準(zhǔn)備大量案例研究，它們幾乎涵蓋機器學(xué)習(xí)的所有領(lǐng)域，以幫助讀者消除這類誤解。機器學(xué)習(xí)在交易策略中的應(yīng)用，其相關(guān)理論和案例研究，本書會介紹，但除此之外，本書還將深入其他關(guān)鍵、必知概念，比如投資組合管理、衍生品定價、欺詐檢測、企業(yè)信用評級、智能投顧開發(fā)和聊天機器人開發(fā)。本書著力解決金融業(yè)從業(yè)人員所面對的實際問題，提供經(jīng)科學(xué)論證、真實可靠的解決方案，并佐以代碼和示例。
本書Python 代碼庫用GitHub 托管（https://github.com/tatsath/fin-ml），該倉庫對金融業(yè)從業(yè)人員非常有用，他們可將該倉庫作為自己項目的起點。本書示例和案例研究所展示技術(shù)可輕松應(yīng)用于多種數(shù)據(jù)集。本書面向未來的案例研究，如用強化學(xué)習(xí)處理交易，搭建智能投顧，用機器學(xué)習(xí)為金融產(chǎn)品定價，鼓勵讀者跳出既有思維模式，調(diào)動積極性，發(fā)揮模型和數(shù)據(jù)作用，獲得最大回報。
目標(biāo)讀者
本書內(nèi)容編排和所有主題適合在對沖基金、投資和零售銀行、金融科技公司工作的專業(yè)人士。其職位可能是數(shù)據(jù)科學(xué)家、數(shù)據(jù)工程師、量化研究員、機器學(xué)習(xí)架構(gòu)師或軟件工程師。此外，本書還適合堅守支持崗位的專業(yè)人士，比如合規(guī)與風(fēng)控崗。讀者不論是對沖基金量化交易員，正考慮采用強化學(xué)習(xí)技術(shù)交易加密貨幣，還是投行量化分析師，尋求用機器學(xué)習(xí)技術(shù)改進定價模型的校準(zhǔn)速度，本書都將有所幫助。對于模型開發(fā)生命周期的每一步，從構(gòu)思產(chǎn)生到模型實現(xiàn)，本書所講理論、概念和代碼庫都極其有用。讀者可用本書共享代碼庫，自行測試本書所提供的解決方案。因此讀者在閱讀之余，還有大量動手機會。讀者應(yīng)具備統(tǒng)計學(xué)、機器學(xué)習(xí)和Python基礎(chǔ)知識。
內(nèi)容編排
本書全面介紹如何用機器學(xué)習(xí)和數(shù)據(jù)科學(xué)技術(shù)設(shè)計模型，解決金融業(yè)不同領(lǐng)域的學(xué)習(xí)任務(wù)。本書內(nèi)容分為四大部分：
第一部分 框架
第一部分概括機器學(xué)習(xí)在金融業(yè)的使用情況，總覽機器學(xué)習(xí)實現(xiàn)的構(gòu)建單元。這幾章作為本書后續(xù)章節(jié)案例研究的基礎(chǔ)，涵蓋不同機器學(xué)習(xí)類型。
第一部分含以下3 章：
第1 章，金融機器學(xué)習(xí)簡介。
本章概括金融機器學(xué)習(xí)應(yīng)用全貌，并扼要介紹幾種機器學(xué)習(xí)方法。
第2 章，用Python 開發(fā)機器學(xué)習(xí)模型。
本章探討Python 機器學(xué)習(xí)生態(tài)系統(tǒng)，并介紹用Python 框架開發(fā)機器學(xué)習(xí)模型的步驟。
第3 章，人工神經(jīng)網(wǎng)絡(luò)。
鑒于人工神經(jīng)網(wǎng)絡(luò)（ANN）是多種機器學(xué)習(xí)的主要算法，本章將介紹ANN的細(xì)節(jié)，并給出用Python 庫實現(xiàn)ANN 模型的詳細(xì)過程。
第二部分 監(jiān)督學(xué)習(xí)
第二部分涵蓋基本的監(jiān)督學(xué)習(xí)算法，闡述其特定應(yīng)用，研究相關(guān)案例。
第二部分含以下3 章：
第4 章，監(jiān)督學(xué)習(xí)：模型和概念。
本章簡要介紹監(jiān)督學(xué)習(xí)技術(shù)（分類和回歸）。鑒于大量模型既可用于分類又可用于回歸，本章將這些模型的細(xì)節(jié)和分類、回歸問題中的模型選擇和評價標(biāo)準(zhǔn)放在一起介紹。
第5 章，監(jiān)督學(xué)習(xí)：回歸（含時間序列模型）。
監(jiān)督學(xué)習(xí)回歸模型是金融業(yè)最常用機器學(xué)習(xí)模型。本章從基本線性回歸模型一直講到高級深度學(xué)習(xí)模型。本章研究股價預(yù)測模型、衍生品定價模型和投資組合管理模型。
第6 章，監(jiān)督學(xué)習(xí)：分類。
分類是監(jiān)督學(xué)習(xí)的子類，其目標(biāo)是根據(jù)過去所觀察到的實例，預(yù)測新實例的類別標(biāo)簽，這些標(biāo)簽是與數(shù)值型相對的類別型。本章研究分類技術(shù)在金融業(yè)的應(yīng)用，比如對率回歸、支持向量機和隨機森林。
第三部分 無監(jiān)督學(xué)習(xí)
第三部分涵蓋基本的無監(jiān)督學(xué)習(xí)算法、應(yīng)用和案例研究。
第三部分含以下2 章：
第7 章，無監(jiān)督學(xué)習(xí)：降維。
本章介紹幾種重要降維技術(shù)，用其削減數(shù)據(jù)集特征數(shù)，可保留特征的大多數(shù)有用和特異信息。本章還將討論降維方法主成分分析，案例研究包括投資組合管理、交易策略和收益率曲線構(gòu)造。
第8 章，無監(jiān)督學(xué)習(xí)：聚類。
本章介紹聚類算法和技術(shù)，它們可將具有一定相似度的對象聚在一起。本章案例研究介紹聚類在交易策略、投資組合管理中的應(yīng)用。
第四部分 強化學(xué)習(xí)和自然語言處理
第四部分介紹強化學(xué)習(xí)和自然語言處理技術(shù)。
第四部分含以下2 章：
第9 章，強化學(xué)習(xí)。
本章介紹強化學(xué)習(xí)概念，做相關(guān)案例研究。該學(xué)習(xí)方法在金融業(yè)有著廣闊的應(yīng)用前景。強化學(xué)習(xí)的主要理念最大獎賞，完美契合金融業(yè)多個領(lǐng)域的核心動機。本章案例研究包括交易策略、投資組合優(yōu)化和對沖策略。
第10 章，自然語言處理。
本章介紹自然語言處理技術(shù)，并討論金融業(yè)多個領(lǐng)域的文本數(shù)據(jù)是如何一步步轉(zhuǎn)換為有意義的文本表示形式的。本章案例研究涵蓋情感分析、聊天機器人和文檔解讀。
排版約定
本書排版遵循以下約定：
斜體（Italic）
表示新術(shù)語、URL、郵件地址、文件名和文件擴展名。
等寬字體（constant width）
表示程序片段和段落中出現(xiàn)的編程元素，如變量、函數(shù)名、數(shù)據(jù)庫、數(shù)據(jù)類型、環(huán)境變量、語句和關(guān)鍵字。
使用代碼示例
本書（案例研究和主模板）所有代碼均可從以下GitHub 目錄獲�。篽ttps://github.com/tatsath/fin-ml。此外，本書代碼還用云平臺托管，每個案例研究點擊https://mybinder.org/v2/gh/tatsath/fin-ml/master 即可運行，無需在本地機器安裝任何包。本書旨在幫你完成工作。一般來講，書中示例代碼，你用于自己項目和文檔，無需聯(lián)系我們征得許可，但大量復(fù)制代碼另議。例如，你寫程序使用書中多處代碼，無需我們授權(quán)，但出售或分發(fā)OReilly 圖書示例代碼，則需我們授權(quán)。引用本書內(nèi)容或示例代碼回答問題，無需授權(quán)。但在你產(chǎn)品文檔中大量使用本書示例代碼，則需經(jīng)我們授權(quán)。
所用之處，如能添加內(nèi)容出處，我們將非常感激，當(dāng)然這并非必須。出處通常要標(biāo)明書名、作者、出版社和ISBN 號。例如：Machine Learning and Data Science Blueprints for Finance by Hariom Tatsat, Sahil Puri, and Brad Lookabaugh (OReilly,2021), 978-1-492-07305-5。
如果你覺得示例代碼的使用方式可能不當(dāng)或超出上述許可范圍，請聯(lián)系我們，郵箱是 permissions@oreilly.com。
Python 庫
本書使用Python 3.7。建議先安裝Conda 包管理器，再建Conda 環(huán)境，安裝必要的包。安裝指南請見本書GitHub 倉庫的README 文件（https://github.com/tatsath/fin-ml）。
OReilly 在線學(xué)習(xí)平臺（OReilly Online Learning）
近40 年來，OReilly Media 致力于提供技術(shù)和商業(yè)培訓(xùn)、知識和卓越見解，來幫助眾多公司取得成功。
公司獨有的專家和改革創(chuàng)新者網(wǎng)絡(luò)通過OReilly 書籍、文章以及在線學(xué)習(xí)平臺，分享他們的專業(yè)知識和實踐經(jīng)驗。OReilly 在線學(xué)習(xí)平臺按照您的需要提供實時培訓(xùn)課程、深入學(xué)習(xí)渠道、交互式編程環(huán)境以及來自O(shè)Reilly 和其他200 多家出版商的大量書籍與視頻資料。更多信息，請訪問網(wǎng)站：https://www.oreilly.com/。
聯(lián)系我們
任何有關(guān)本書的意見或疑問，請按照以下地址聯(lián)系出版社。
美國：
OReilly Media, Inc.
1005 Gravenstein Highway North
Sebastopol, CA 95472
中國：
北京市西城區(qū)西直門南大街2 號成銘大廈C 座807 室（100035）
奧萊利技術(shù)咨詢（北京）有限公司
我們?yōu)楸緯�做了一個網(wǎng)頁，將勘誤信息、示例代碼和其他附加信息列在上面。地址是https://oreil.ly/ML-and-data-science-blueprints。
對本書的評論或技術(shù)性問題，請發(fā)電子郵件至：errata@oreilly.com.cn。
如欲了解OReilly 圖書、課程的新聞和信息，請訪問以下網(wǎng)站： http://www.oreilly.com。
我們的Facebook：http://facebook.com/oreilly。
我們的Twitter：http://twitter.com/oreillymedia。
我們的YouTube：http://www.youtube.com/oreillymedia。
致謝
我們衷心感謝為本書付梓而辛勤付出的所有人。我們特別感謝Jeff Bleiel 那誠摯和發(fā)人深省的反饋，他指導(dǎo)我們完成本書。我們非常感激Juan Manuel Contreras、Chakri Cherukuri 和Gregory Bronner，他們百忙之中抽時間詳細(xì)審閱本書，其反饋和建議非常有價值，我們受益頗多。我們還要把感謝送給OReilly 公司各位出色的員工，特別感謝Michelle Smith 對該寫作項目深信不疑，并幫我們界定項目范圍。
來自Hariom 的特別致謝
感謝妻子Prachi 和父母對我的關(guān)愛和支持。特別感謝父親，他總是鼓勵我的各種追求，并源源不斷提供靈感。
來自Sahil 的特別致謝
感謝家庭。他們總是鼓勵和支持我的各種努力。
來自Brad 的特別致謝
感謝妻子Megan，她對我的愛和支持無窮無盡。