面向資產管理者的機器學習 Machine Learning for Asset Managers

本書面向廣大資產管理者和各類研究人員，基於機器學習和人工智能，
指明從一個投資理念和理論到成功的投資策略具體實施的量化途徑。
作者認為一個缺乏理論依據的投資策略很可能是錯誤的。
為此，資產管理者應致力於發展理論，而不僅是回測潛在的交易規則。
本書就是從幫助資產管理者發現經濟和金融理論的角度出發，介紹機器學習的工具。
機器學習不是一個黑匣子，也不一定會過擬合。
機器學習的工具與經典統計方法是互補關係而不是替代關係。
本書認為機器學習的一些優點包括：注重樣本外的可預測性，而不是樣本內的方差判斷；
使用計算方法避免依賴一些(或許不切實際的)假設；能夠“學習”複雜的規範，
包括高維空間中的非線性、分層和非連續的交互效應；
能夠將變量搜索與設定搜索分離，並能很好地防止多重線性和其他替代效應。

中文版序
1   引   言 
1.1   動機 
1.2   理論很重要 
1.3   如何科學地運用機器學習 
1.4   過擬合的兩種類型 
1.5   提綱 
1.6   受眾 
1.7   關於金融機器學習的五個常見誤解 
1.8   金融研究的未來 
1.9   常見問題 
1.10   結論 
1.11   習題 

2   降噪和降調 
2.1   動機 
2.2   Marcenko-Pastur定理 
2.3   帶信號的隨機矩陣 
2.4   擬合Marcenko-Pastur分佈 
2.5   降噪 
2.6   降調 
2.7   實驗結果 
2.8   結論 
2.9   習題 

3   距離度量 
3.1   動機 
3.2   基於相關性的度量 
3.3   邊際熵和聯合熵 
3.4   條件熵 
3.5   Kullback-Leibler散度 
3.6   交叉熵 
3.7   互信息 
3.8   差異信息 
3.9   離散化 
3.10   兩個劃分之間的距離 
3.11   實驗結果 
3.12   結論 
3.13   習題 

4   #優聚類 
4.1   動機 
4.2   相似度矩陣 
4.3   聚類的類型 
4.4   類集的個數 
4.5   實驗結果 
4.6   結論 
4.7   習題 

5   金融標註 
5.1   動機 
5.2   固定區間法 
5.3   三重阻礙法 
5.4   趨勢掃描法 
5.5   元標註 
5.6   實驗結果 
5.7   結論 
5.8   習題 

6   特徵重要性分析 
6.1   動機 
6.2   p值 
6.3   變量重要性 
6.4   概率加權準確度 
6.5   替代效應 
6.6   實驗結果 
6.7   結論 
6.8   習題
 
7   組合構建 
7.1   動機 
7.2   凸組合優化 
7.3   條件數 
7.4   Markowitz的詛咒 
7.5   信號作為協方差不穩定性的來源 
7.6   嵌套聚類優化算法 
7.7   實驗結果 
7.8   結論 
7.9   習題 

8   測試集過擬合 
8.1   動機 
8.2   查准率和召回率 
8.3   重複測試下的查准率和召回率 
8.4   夏普比率 
8.5   錯誤策略定理 
8.6   實驗結果 
8.7   收縮夏普比率 
8.8   家族錯誤率 
8.9   結論 
8.10   習題 
附錄A   合成數據測試 
附錄B   錯誤策略定理的證明 
參考書目 
參考文獻