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�。�