機器學(xué)習(xí)與因子投資——從基礎(chǔ)到實踐
定 價:129 元
- 作者:[法]紀堯姆·科克雷(GuillaumeCoqueret)
- 出版時間:2023/9/1
- ISBN:9787115621771
- 出 版 社:人民郵電出版社
- 中圖法分類:F830.91
- 頁碼:
- 紙張:膠版紙
- 版次:
- 開本:128開
本書首先介紹了將大數(shù)據(jù)集應(yīng)用于機器學(xué)習(xí)的基礎(chǔ)知識和因子投資的基本理論;之后,本書介紹了監(jiān)督學(xué)習(xí)模式下可用于預(yù)測金融變量的幾個基本機器學(xué)習(xí)算法,包括懲罰性線性回歸、支持向量機等;接下來,本書介紹了將這些機器學(xué)習(xí)算法應(yīng)用于金融領(lǐng)域的實戰(zhàn)方法和細節(jié);最后,本書討論了一系列與機器學(xué)習(xí)和因子投資相關(guān)的進階話題,包括模型的黑箱問題、因果關(guān)系問題和無監(jiān)督學(xué)習(xí)算法等。本書適合金融機構(gòu)從業(yè)者以及金融類專業(yè)學(xué)生系統(tǒng)了解因子投資的理論與方法,以及機器學(xué)習(xí)算法在因子投資領(lǐng)域的應(yīng)用。
機器學(xué)習(xí)在量化金融領(lǐng)域的應(yīng)用手冊。
將機器學(xué)習(xí)模型作為量化因子投資的內(nèi)核工具;
實際案例+R語言和Python雙代碼,
系統(tǒng)介紹股票配置與投資組合管理等方面的機器學(xué)習(xí)模型使用方法;
梳理全球量化金融領(lǐng)域前沿成果,介紹近百篇AI與因子投資交叉領(lǐng)域的重要文獻。
特別適合金融及大數(shù)據(jù)相關(guān)專業(yè)的學(xué)生和研究人員、金融機構(gòu)從業(yè)者,以及監(jiān)管部門的專業(yè)人士參考閱讀。
[法]紀堯姆·科克雷(Guillaume Coqueret)
法國里昂商學(xué)院的金融和數(shù)據(jù)科學(xué)副教授,主要研究方向是機器學(xué)習(xí)工具在金融經(jīng)濟學(xué)中的應(yīng)用。
[法]托尼·吉達(Tony Guida)
法國RAM Active Investments公司執(zhí)行董事,machineByte智庫主席,著有Big Data and Machine Learning in Quantitative Investment一書。
譯者簡介
周亮
金融工程博士,畢業(yè)于清華大學(xué),在國內(nèi)外金融學(xué)核心期刊上發(fā)表學(xué)術(shù)論文80余篇。現(xiàn)任湖南財政經(jīng)濟學(xué)院講師,在多家私募證券基金擔(dān)任顧問。
周凡程
理學(xué)碩士,畢業(yè)于國防科技大學(xué),在機器學(xué)習(xí)和量化投資領(lǐng)域有著豐富的理論研究和實踐經(jīng)驗,目前主要從事投資組合管理的研發(fā)工作。
第 1 章 符號與數(shù)據(jù)
1.1 符號
1.2 數(shù)據(jù)集
第 2 章 簡介
2.1 背景
2.2 投資組合構(gòu)建流程
2.3 機器學(xué)習(xí)不是“魔杖”
第3 章 因子投資與資產(chǎn)定價異象
3.1 簡介
3.2 異象檢驗
3.3 因子還是特征
3.4 熱門話題:動量、擇時和ESG
3.5 與機器學(xué)習(xí)的聯(lián)系
3.6 代碼練習(xí)
第4 章 數(shù)據(jù)預(yù)處理
4.1 認識你的數(shù)據(jù)
4.2 缺失值
4.3 異常值檢測
4.4 特征工程
4.5 打標(biāo)簽
4.6 處理持續(xù)性問題
4.7 擴展
4.8 代碼和結(jié)果
4.9 代碼練習(xí)
第5 章 懲罰性線性回歸和稀疏對沖最小方差組合
5.1 懲罰性線性回歸
5.2 稀疏對沖最小方差組合
5.3 預(yù)測性回歸
5.4 代碼練習(xí)
第6 章 樹模型
6.1 簡單決策樹
6.2 隨機森林
6.3 提升樹:Adaboost
6.4 提升樹:極端梯度提升(extreme gradient boosting)算法
6.5 討論
6.6 代碼練習(xí)
第7 章 神經(jīng)網(wǎng)絡(luò)
7.1 原始感知機
7.2 多層感知機
7.3 其他實際問題
7.4 關(guān)于基礎(chǔ)多層感知機的代碼示例和注釋
7.5 循環(huán)神經(jīng)網(wǎng)絡(luò)
7.6 其他常用架構(gòu)
7.7 代碼練習(xí)
第8 章支持向量機
8.1 用SVM 進行分類
8.2 用SVM 進行回歸
8.3 實踐
8.4 代碼練習(xí)
第9章 貝葉斯方法
9.1 貝葉斯框架
9.2 貝葉斯采樣
9.3 貝葉斯線性回歸
9.4 樸素貝葉斯分類器
9.5 貝葉斯加性回歸樹
第 10章 驗證和調(diào)參
10.1 學(xué)習(xí)參數(shù)
10.2 驗證
10.3 尋找好的參數(shù)
10.4 關(guān)于驗證的簡短討論
第 11章 集成模型
11.1 線性集成
11.2 堆疊集成
11.3 擴展
11.4 代碼練習(xí)
第 12章 投資組合回測
12.1 基本設(shè)定
12.2 將信號轉(zhuǎn)化為投資組合的權(quán)重
12.3 績效評估
12.4 常見錯誤和問題
12.5 非平穩(wěn)性:預(yù)測是困難的
12.6 第 一個例子:一個完整的回測
12.7 第二個例子:過擬合
12.8 代碼練習(xí)
第 13 章 可解釋性
13.1 全局模型
13.2 局部模型
第 14 章兩個關(guān)鍵概念:因果關(guān)系和非平穩(wěn)性
14.1 因果關(guān)系
14.2 處理不斷變化的環(huán)境
第 15 章無監(jiān)督學(xué)習(xí)
15.1 預(yù)測變量的相關(guān)性問題
15.2 主成分分析和自編碼器
15.3 k -means 聚類
15.4 最近鄰方法
15.5 代碼練習(xí)
第 16 章強化學(xué)習(xí)
16.1 理論布局
16.2 維度災(zāi)難
16.3 策略梯度
16.4 簡單案例
16.5 結(jié)束語
16.6 練習(xí)
附錄1 變量說明
附錄2 練習(xí)答案
附錄3 Python代碼(掃書中二維碼獲。
參考文獻(掃書中二維碼獲。