掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
面向資產(chǎn)管理者的機器學(xué)習(xí) 版權(quán)信息
- ISBN：9787111699484
- 條形碼：9787111699484 ; 978-7-111-69948-4
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
面向資產(chǎn)管理者的機器學(xué)習(xí) 本書特色
適讀人群 ：投資者發(fā)現(xiàn)新的金融理論：應(yīng)用機器學(xué)習(xí)工具來發(fā)掘復(fù)雜現(xiàn)象中的隱藏變量；提出一個理論，通過結(jié)構(gòu)性陳述將這些成分聯(lián)系起來；用比回測更強大的工具對理論進行檢驗； 科學(xué)運用機器學(xué)習(xí)：應(yīng)用于所有科學(xué)領(lǐng)域，用來評估一個理論的可信度；可以確定解釋變量的相對信息含量，以達到解釋和／或預(yù)測的目的；用來評估因果推理效果；對于大型、高維、復(fù)雜數(shù)據(jù)集的可視化至關(guān)重要；可用于掃描大數(shù)據(jù)， 尋找人類無法識別的模式。 利用機器學(xué)習(xí)進行投資策略的選擇和優(yōu)化 利用機器學(xué)習(xí)來建立更好的金融理論
面向資產(chǎn)管理者的機器學(xué)習(xí) 內(nèi)容簡介
本書面向廣大資產(chǎn)管理者和各類研究人員，基于機器學(xué)習(xí)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(rèn)為一個缺乏理論依據(jù)的投資策略很可能是錯誤的。為此，資產(chǎn)管理者應(yīng)致力于發(fā)展理論，而不僅是回測潛在的交易規(guī)則。本書就是從幫助資產(chǎn)管理者發(fā)現(xiàn)經(jīng)濟和金融理論的角度出發(fā)，介紹機器學(xué)習(xí)的工具。機器學(xué)習(xí)不是一個黑匣子，也不一定會過擬合。機器學(xué)習(xí)的工具與經(jīng)典統(tǒng)計方法是互補關(guān)系而不是替代關(guān)系。本書認(rèn)為機器學(xué)習(xí)的一些優(yōu)點包括：注重樣本外的可預(yù)測性，而不是樣本內(nèi)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(shè)；能夠“學(xué)習(xí)”復(fù)雜的規(guī)范，包括高維空間中的非線性、分層和非連續(xù)的交互效應(yīng)；能夠?qū)⒆兞克阉髋c設(shè)定搜索分離，并能很好地防止多重線性和其他替代效應(yīng)。
面向資產(chǎn)管理者的機器學(xué)習(xí) 目錄
中文版序
1 引 言
1.1 動機
1.2 理論很重要
1.3 如何科學(xué)地運用機器學(xué)習(xí)
1.4 過擬合的兩種類型
1.5 提綱
1.6 受眾
1.7 關(guān)于金融機器學(xué)習(xí)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(jié)論
1.11 習(xí)題
2 降噪和降調(diào)
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分布
2.5 降噪
2.6 降調(diào)
2.7 實驗結(jié)果
2.8 結(jié)論
2.9 習(xí)題
3 距離度量
3.1 動機
3.2 基于相關(guān)性的度量
3.3 邊際熵和聯(lián)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(jié)果
3.12 結(jié)論
3.13 習(xí)題
4 *優(yōu)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(shù)
4.5 實驗結(jié)果
4.6 結(jié)論
4.7 習(xí)題
5 金融標(biāo)注
5.1 動機
5.2 固定區(qū)間法
5.3 三重阻礙法
5.4 趨勢掃描法
5.5 元標(biāo)注
5.6 實驗結(jié)果
5.7 結(jié)論
5.8 習(xí)題
6 特征重要性分析
6.1 動機
6.2 p值
6.3 變量重要性
6.4 概率加權(quán)準(zhǔn)確度
6.5 替代效應(yīng)
6.6 實驗結(jié)果
6.7 結(jié)論
6.8 習(xí)題
7 組合構(gòu)建
7.1 動機
7.2 凸組合優(yōu)化
7.3 條件數(shù)
7.4 Markowitz的詛咒
7.5 信號作為協(xié)方差不穩(wěn)定性的來源
7.6 嵌套聚類優(yōu)化算法
7.7 實驗結(jié)果
7.8 結(jié)論
7.9 習(xí)題
8 測試集過擬合
8.1 動機
8.2 查準(zhǔn)率和召回率
8.3 重復(fù)測試下的查準(zhǔn)率和召回率
8.4 夏普比率
8.5 錯誤策略定理
8.6 實驗結(jié)果
8.7 收縮夏普比率
8.8 家族錯誤率
8.9 結(jié)論
8.10 習(xí)題
附錄A 合成數(shù)據(jù)測試
附錄B 錯誤策略定理的證明
參考書目
參考文獻
1 引 言
1.1 動機
1.2 理論很重要
1.3 如何科學(xué)地運用機器學(xué)習(xí)
1.4 過擬合的兩種類型
1.5 提綱
1.6 受眾
1.7 關(guān)于金融機器學(xué)習(xí)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(jié)論
1.11 習(xí)題
2 降噪和降調(diào)
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分布
2.5 降噪
2.6 降調(diào)
2.7 實驗結(jié)果
2.8 結(jié)論
2.9 習(xí)題
3 距離度量
3.1 動機
3.2 基于相關(guān)性的度量
3.3 邊際熵和聯(lián)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(jié)果
3.12 結(jié)論
3.13 習(xí)題
4 *優(yōu)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(shù)
4.5 實驗結(jié)果
4.6 結(jié)論
4.7 習(xí)題
5 金融標(biāo)注
5.1 動機
5.2 固定區(qū)間法
5.3 三重阻礙法
5.4 趨勢掃描法
5.5 元標(biāo)注
5.6 實驗結(jié)果
5.7 結(jié)論
5.8 習(xí)題
6 特征重要性分析
6.1 動機
6.2 p值
6.3 變量重要性
6.4 概率加權(quán)準(zhǔn)確度
6.5 替代效應(yīng)
6.6 實驗結(jié)果
6.7 結(jié)論
6.8 習(xí)題
7 組合構(gòu)建
7.1 動機
7.2 凸組合優(yōu)化
7.3 條件數(shù)
7.4 Markowitz的詛咒
7.5 信號作為協(xié)方差不穩(wěn)定性的來源
7.6 嵌套聚類優(yōu)化算法
7.7 實驗結(jié)果
7.8 結(jié)論
7.9 習(xí)題
8 測試集過擬合
8.1 動機
8.2 查準(zhǔn)率和召回率
8.3 重復(fù)測試下的查準(zhǔn)率和召回率
8.4 夏普比率
8.5 錯誤策略定理
8.6 實驗結(jié)果
8.7 收縮夏普比率
8.8 家族錯誤率
8.9 結(jié)論
8.10 習(xí)題
附錄A 合成數(shù)據(jù)測試
附錄B 錯誤策略定理的證明
參考書目
參考文獻
展開全部
面向資產(chǎn)管理者的機器學(xué)習(xí) 節(jié)選
想象一下，您有位朋友自稱有一種技術(shù)，可以預(yù)測下一次彩票中獎的號碼。他的技術(shù)并不準(zhǔn)確，所以他必須多買幾張彩票。當(dāng)然，如果他把所有的彩票都買了，那么他能中獎也就不足為奇了。您會讓他買多少張彩戛才能判斷他的方法是否有用呢？要評估他的技術(shù)準(zhǔn)確度，您應(yīng)該考慮他買了多張彩票的事實。同樣地，研究者在同一數(shù)據(jù)集上進行多個統(tǒng)計測試更有可能得到錯誤的發(fā)現(xiàn)。而當(dāng)研究者在同一數(shù)據(jù)集上不斷重復(fù)同一個測試，則保證他*終會得到一個錯誤的發(fā)現(xiàn)。這種選擇偏差來自于讓模型在測試集上表現(xiàn)良好，而不是訓(xùn)練集。 另一個測試集過擬合的例子是研究人員對一個策略進行回測，并對其進行調(diào)整，直到輸出達到目標(biāo)性能為止。這種回測一調(diào)整一再回測一再調(diào)整的循環(huán)是徒勞無功的，*終必然會以過擬合（假陽一HE）而告終。相反，研究者應(yīng)該花時間去探究誤導(dǎo)他做出回測錯誤策略的研究過程。換句話說，一個表現(xiàn)不佳的回測是一次修正研究過程的機會，而不是一次修正特定投資策略的機會。 由于測試集過擬合，大多數(shù)已發(fā)表的金融學(xué)發(fā)現(xiàn)可能都是錯誤的。機器學(xué)習(xí)并沒有造成當(dāng)前金融研究的危機fH。rvey等，2016）。這場危機是由于金融領(lǐng)域?qū)?jīng)典統(tǒng)計方法的普遍濫用（特別是p值操縱，p－h(huán)acking）造成的。機器學(xué)習(xí)可以從三個方面來幫助處理測試集過擬合問題：**，我們可以跟蹤一個研究者進行了多少次獨立測試，以評估至少有一個結(jié)果是錯誤發(fā)現(xiàn)的概率（稱為家族錯誤率，或family wiseei Torrate，F(xiàn)WER）。收縮夏普比率（Bailey和LpezdePrado，2014）在回測中使用了類似的方法，第8章中會詳細解釋。它相當(dāng)于控制了您那位朋友買彩票的數(shù)量。第二，雖然一個模型很可能在一個測試集上過擬合，但在數(shù)千個測試集上全都過擬合是很難的。可以通過把訓(xùn)練集和測試集拆分、組合并重復(fù)采樣來生成這數(shù)以千計的測試集。這種方法就是組合凈化交叉驗證方法，即CPCV（AFML，第12章）。第三．我們可以使用歷史序列來評估底層數(shù)據(jù)生成過程，并抽樣合成數(shù)據(jù)集，這些數(shù)據(jù)集應(yīng)與歷史序列上的統(tǒng)計特性相匹配。蒙特卡洛方法在這方面的能力非常強，可以產(chǎn)生與歷史序列的統(tǒng)計屬性相匹配的合成數(shù)據(jù)集。這些測試得出的結(jié)論．是建立在估計的數(shù)據(jù)生成過程的代表性的基礎(chǔ)上的（AFML，第13章）。這種方法的主要優(yōu)點是，這些結(jié)論與數(shù)據(jù)生成過程的某個特定的（觀察到的）實現(xiàn)無關(guān)，而是與整個隨機實現(xiàn)的分布有關(guān)。根據(jù)之前的例子，相當(dāng)于復(fù)制彩票游戲并重復(fù)多次，這樣我們就可以排除運氣因素。 P14-15
面向資產(chǎn)管理者的機器學(xué)習(xí) 作者簡介
馬科斯·M.洛佩斯·德普拉多 美國勞倫斯·伯克利國家實驗室研究員、康奈爾大學(xué)電氣與計算機工程學(xué)院教授，擁有金融經(jīng)濟學(xué)和數(shù)學(xué)金融學(xué)博士學(xué)位。正確積極技術(shù)公司（TP T）首席信息官，阿布扎比投資局（ADIA）量化研究與開發(fā)業(yè)務(wù)的全球負責(zé)人。20多年來致力于利用機器學(xué)習(xí)算法和超級計算機的開發(fā)來制定投資策略的研究工作。撰寫了數(shù)十篇頗具影響力的機器學(xué)習(xí)和算法研究的論文，著有《金融機器學(xué)習(xí)》等書。因其卓越的研究，2019年被《投資組合管理雜志》評為“年度量化分析師”。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
小考拉的故事-套裝共3冊
- >
二體千字文
- >
月亮與六便士
- >
巴金－再思錄
- >
羅庸西南聯(lián)大授課錄
- >
唐代進士錄
- >
自卑與超越
本類暢銷
