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)
-
>
深度學習
金融機器學習和數(shù)據(jù)科學實踐 版權(quán)信息
- ISBN：9787519869632
- 條形碼：9787519869632 ; 978-7-5198-6963-2
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
金融機器學習和數(shù)據(jù)科學實踐 本書特色
今后幾年，機器學習和數(shù)據(jù)科學將在金融業(yè)掀起巨變。對沖基金、投資和零售銀行、金融科技從業(yè)者可從本書學到金融業(yè)核心機器學習算法。本書不僅介紹監(jiān)督學習、無監(jiān)督學習和強化學習三大類機器學習技術(shù)和自然語言處理（NLP）技術(shù)相關(guān)概念，還通過近20個案例研究，詳細介紹它們在金融領(lǐng)域的應用。 本書涵蓋投資組合管理、算法交易、衍生品定價、欺詐檢測、資產(chǎn)價格預測、情感分析和聊天機器人開發(fā)等主題，不論你是分析師、交易員、研究員或開發(fā)者，總有適合你深入學習的內(nèi)容。本書將帶你探究真實問題，學習科學可靠的解決方案。重點代碼詳細解讀，并佐以示例。本書代碼庫更配有完整代碼和運行結(jié)果，鉆研、運行代碼和比對結(jié)果更便捷。
金融機器學習和數(shù)據(jù)科學實踐 內(nèi)容簡介
本書主要內(nèi)容有：用監(jiān)督學習回歸模型開發(fā)算法交易策略和衍生品定價模型。用監(jiān)督學習分類模型預測信貨違約概率，檢測欺詐行為。用降維技術(shù)解決投資組合管理和收益率曲線構(gòu)造問題。為實現(xiàn)交易策略和管理投資組合，用降維和聚類技術(shù)尋找相似資產(chǎn)。用強化學習模型和技術(shù)開發(fā)交易策略、衍生品對沖策略，管理投資組合。用NLTK和scikit-learn等Python庫解決金融領(lǐng)域自然語言處理問題。
金融機器學習和數(shù)據(jù)科學實踐 目錄
目錄
前言 . 1
**部分 框架
第1 章 金融機器學習簡介 .11
1.1 金融機器學習應用的現(xiàn)狀和前景 .12
1.1.1 算法交易 .12
1.1.2 投資組合管理和智能投顧 12
1.1.3 欺詐檢測 .12
1.1.4 貸款、信用卡和保險審核 13
1.1.5 自動化和聊天機器人.13
1.1.6 風險管理 .14
1.1.7 資產(chǎn)價格預測 14
1.1.8 衍生品定價 14
1.1.9 情感分析 .14
1.1.10 金融資產(chǎn)結(jié)算 .15
1.1.11 反洗錢 15
1.2 機器學習、深度學習、人工智能和大數(shù)據(jù) .15
1.3 機器學習類型 .17
1.3.1 監(jiān)督學習 .17
1.3.2 無監(jiān)督學習 18
1.3.3 強化學習 .19
1.4 自然語言處理 .20
1.5 小結(jié) .21
第2 章 用Python 開發(fā)機器學習模型 23
2.1 為什么用Python 23
2.2 Python 機器學習包 24
2.3 Python 生態(tài)系統(tǒng)的模型開發(fā)步驟 .26
2.4 小結(jié) .41
第3 章 人工神經(jīng)網(wǎng)絡(luò) . 43
3.1 人工神經(jīng)網(wǎng)絡(luò)：架構(gòu)、訓練和超參數(shù) 44
3.1.1 架構(gòu) 44
3.1.2 訓練 46
3.1.3 超參數(shù) 48
3.2 用Python 建人工神經(jīng)網(wǎng)絡(luò)模型 .52
3.2.1 安裝Keras 等機器學習包52
3.2.2 提高人工神經(jīng)網(wǎng)絡(luò)模型運行速度：GPU 和云服務(wù) 55
3.3 小結(jié) .57
第二部分 監(jiān)督學習
第4 章 監(jiān)督學習：模型和概念 61
4.1 監(jiān)督學習模型概覽 62
4.1.1 線性回歸（普通*小二乘法） .64
4.1.2 正則化回歸 66
4.1.3 對數(shù)概率回歸 69
4.1.4 支持向量機 70
4.1.5 k 近鄰 72
4.1.6 線性判別分析 74
4.1.7 分類回歸樹 75
4.1.8 集成模型 .77
4.1.9 人工神經(jīng)網(wǎng)絡(luò)模型 .83
4.2 模型性能 85
4.2.1 過擬合和欠擬合 85
4.2.2 交叉檢驗 .87
4.2.3 評估指標 .88
4.3 模型選擇 92
4.3.1 影響模型選擇的因素.92
4.3.2 模型取舍 .94
4.4 小結(jié) .94
第5 章 監(jiān)督學習：回歸（含時間序列模型） 97
5.1 時間序列模型 100
5.1.1 拆解時間序列 .100
5.1.2 自相關(guān)性和平穩(wěn)性 102
5.1.3 傳統(tǒng)時間序列模型（包括ARIMA 模型）104
5.1.4 時間序列建模的深度學習方法 106
5.1.5 為監(jiān)督學習模型調(diào)整時間序列數(shù)據(jù) 109
5.2 案例研究1：股價預測 110
5.3 案例研究2：衍生品定價 130
5.4 案例研究3：投資者風險容忍度和智能投顧 142
5.5 案例研究4：收益率曲線預測 .158
5.6 小結(jié) 167
5.7 練習 168
第6 章 監(jiān)督學習：分類 . 169
6.1 案例研究1：欺詐檢測 171
6.2 案例研究2：預測借款拖欠概率 185
6.3 案例研究3：比特幣交易策略 .199
6.4 小結(jié) 211
6.5 練習 211
第三部分 無監(jiān)督學習
第7 章 無監(jiān)督學習：降維 . 215
7.1 降維技術(shù) .217
7.1.1 主成分分析 .217
7.1.2 核主成分分析 .221
7.1.3 t-SNE221
7.2 案例研究1：投資組合管理：尋找特征組合 222
7.3 案例研究2：收益率曲線構(gòu)造和利率建模 237
7.4 案例研究3：比特幣交易：提高速度和準確率 248
7.5 小結(jié) 257
7.6 練習 257
第8 章 無監(jiān)督學習：聚類 . 259
8.1 聚類技術(shù) .261
8.1.1 k 均值聚類 261
8.1.2 層次聚類 262
8.1.3 親和力傳播聚類 264
8.2 案例研究1：配對交易聚類 265
8.3 案例研究2：投資組合管理：投資者聚類 282
8.4 案例研究3：層次風險平價 291
8.5 小結(jié) 301
8.6 練習 301
第四部分 強化學習和自然語言處理
第9 章 強化學習 305
9.1 強化學習的理論和概念 307
9.1.1 強化學習建模框架 312
9.1.2 強化學習模型 .317
9.1.3 強化學習的主要挑戰(zhàn)322
9.2 案例研究1：用強化學習實現(xiàn)交易策略 .322
9.3 案例研究2：衍生品對沖 341
9.4 案例研究3：投資組合分配 359
9.5 小結(jié) 370
9.6 練習 370
第10 章 自然語言處理 371
10.1 Python 的NLP 庫 373
10.1.1 NLTK 庫 .373
10.1.2 TextBlob 庫 374
10.1.3 spaCy 庫 .374
10.2 NLP 理論和概念 374
10.2.1 預處理 .375
10.2.2 特征表示 381
10.2.3 推斷 385
10.3 案例研究1：用NLP 和情感分析技術(shù)實現(xiàn)交易策略 . 388
10.4 案例研究2：聊天機器人數(shù)字助理 . 411
10.5 案例研究3：文檔摘要 .421
10.6 小結(jié) 428
10.7 練習 429
展開全部
金融機器學習和數(shù)據(jù)科學實踐 作者簡介
Hariom Tatsat現(xiàn)任紐約投行量化分析部副總。Hariom 擁有豐富的預測建模、金融工具定價和風險管理經(jīng)驗。 Sahil Puri 是一名量化研究員。Sahil曾用多種統(tǒng)計和機器學習技術(shù)解決各種問題。 Brad Lookabaugh現(xiàn)任Unison Investment Management副總，負責投資組合管理。
書友推薦
- >
朝聞道
- >
姑媽的寶刀
- >
羅庸西南聯(lián)大授課錄
- >
我從未如此眷戀人間
- >
苦雨齋序跋文-周作人自編集
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
唐代進士錄
- >
中國歷史的瞬間
本類暢銷
