機器學習在量化金融中的應用

倪好 於光希 鄭勁松 董欣

  • 出版商: 清華大學
  • 出版日期: 2021-02-01
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 220
  • 裝訂: 平裝
  • ISBN: 7302565961
  • ISBN-13: 9787302565963
  • 相關分類: Machine Learning 機器學習
  • 立即出貨

  • 機器學習在量化金融中的應用-preview-1
  • 機器學習在量化金融中的應用-preview-2
  • 機器學習在量化金融中的應用-preview-3
機器學習在量化金融中的應用-preview-1

買這商品的人也買了...

相關主題

商品描述

本書是資深金融數據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學基礎及其在金融數據分析領域的應用。 
全書共分9章。
第1章介紹機器學習的發展狀況並概述機器學習在金融中的應用。
第2章介紹監督學習的通用框架。
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,並討論線性模型及非線性的回歸和分類方法。
第4章討論監督學習中的樹模型,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網絡:人工神經網絡、捲積神經網絡和循環神經網絡。
第6章和第7章介紹無監督學習,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化中的應用。
第9章以一個流行的數據挑戰項目為例,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據問題的經驗。 
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,而且囊括可用於實際項目的案例代碼,適合高等院校電腦及相關專業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,倫敦大學學院數學系副教授。
研究方向包括隨機分析、金融數學、機器學習和應用等。
希望通過分享個人研究成果與經驗心得,為對機器學習感興趣的讀者提供嚴謹簡捷的入門,並且側重於對計量金融方面的應用。

於光希,倫敦大學學院金融數學碩士,專注機器學習在金融中的應用,現任申万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驗,現任華泰證券算法工程師。

董欣,倫敦帝國理工學院金融數學博士,專注金融衍生品做市研究,現任城堡證券研究量化分析師。

目錄大綱

目錄

第1章概述.............................1
1.1 大數據時代......................1
1.2 機器學習.........................2
1.3 量化金融.........................5
1.3.1 金融數據的挑戰.............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..................15
2.1.3 優化方法..................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 損失函數和優化方法........29
2.2.4 預測和驗證................30
2.2.5 數值實驗..................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 數值實驗..................50
3.2.5 兩種正則化方法的聯繫.....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 特徵重要性................65
4.3 隨機森林........................66
4.4 梯度提升樹.....................67
4.5 數值實驗:Iris數據集..........69
4.5.1 決策樹的實現..............69
4.5.2 隨機森林的實現............71
4.5.3 梯度提升樹的實現..........72
4.5.4 三種樹模型的比較..........72
4.6 練習.............................74

第5章神經網絡.......................75
5.1 基本概念........................75
5.1.1 神經元....................75
5.1.2 層.........................77
5.1.3 激活函數..................77
5.1.4 張量.......................80
5.2 人工神經網絡...................81
5.2.1 淺層神經網絡..............81
5.2.2 多層神經網絡..............84
5.2.3 優化方法..................86
5.2.4 數值實驗:MNIST數字識別.......................91
5.3 卷積神經網絡...................95
5.3.1 原理簡介..................95
5.3.2 圖像數據..................96
5.3.3 模型.......................98
5.3.4 優化方法.................107
5.3.5 數值實驗:Cifar10圖像識別.....................107
5.4 循環神經網絡..................115
5.4.1 原理簡介.................115
5.4.2 序列數據.................116
5.4.3 模型.....................117
5.4.4 優化方法:BPTT.........118
5.4.5 循環神經網絡的缺點......121
5.4.6 LSTM和GRU............124
5.4.7 數值實驗:高頻金融數據預測.....................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 數據集...................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 參數選擇.................141
6.3.3 K均值法的實現..........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...........149
6.5 密度聚類:DBSCAN...........149
6.5.1 原理簡介.................149
6.5.2 參數選擇.................151
6.6 分佈聚類......................152
6.6.1 原理簡介.................152
6.6.2 最大期望算法.............152
6.7 數值實驗: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.........160
7.2 數值實驗:期限結構分析......161
7.2.1 利率期限結構.............161
7.2.2 數據和觀察值.............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 循環強化學習..................175
8.3 從RNN到RRL...............177
8.4 數值實驗: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 問題設定與數據...............189
9.2 探索性數據分析...............191
9.2.1 不平衡數據...............191
9.2.2 缺失值...................192
9.2.3 特徵分組.................192
9.3 構建第一個分類器.............193
9.3.1 數據預處理...............193
9.3.2 特徵工程.................193
9.3.3 訓練模型.................195
9.3.4 折外預測.................196
9.3.5 參數調整.................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:波動率預測................202
9.6.2 Kaggle其他金融應用競賽.....................204
參考文獻................................205