掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
以利為利:財政關系與地方政府行為
-
>
立足飯碗 藏糧于地——基于中國人均耕地警戒值的耕地保護視角
-
>
營銷管理
-
>
茶葉里的全球貿易史(精裝)
-
>
近代華商股票市場制度與實踐(1872—1937)
-
>
麥肯錫圖表工作法
-
>
海龜交易法則
機器學習與因子投資——從基礎到實踐 版權信息
- ISBN：9787115621771
- 條形碼：9787115621771 ; 978-7-115-62177-1
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
機器學習與因子投資——從基礎到實踐 本書特色
機器學習在量化金融領域的應用手冊。
將機器學習模型作為量化因子投資的內核工具；
實際案例 R語言和Python雙代碼，
系統介紹股票配置與投資組合管理等方面的機器學習模型使用方法；
梳理全球量化金融領域前沿成果，介紹近百篇AI與因子投資交叉領域的重要文獻。
特別適合金融及大數據相關專業的學生和研究人員、金融機構從業者，以及監管部門的專業人士參考閱讀。
機器學習與因子投資——從基礎到實踐 內容簡介
本書首先介紹了將大數據集應用于機器學習的基礎知識和因子投資的基本理論；之后，本書介紹了監督學習模式下可用于預測金融變量的幾個基本機器學習算法，包括懲罰性線性回歸、支持向量機等；接下來，本書介紹了將這些機器學習算法應用于金融領域的實戰方法和細節；*后，本書討論了一系列與機器學習和因子投資相關的進階話題，包括模型的黑箱問題、因果關系問題和無監督學習算法等。本書適合金融機構從業者以及金融類專業學生系統了解因子投資的理論與方法，以及機器學習算法在因子投資領域的應用。
機器學習與因子投資——從基礎到實踐 目錄
第 1 章 符號與數據
1.1 符號
1.2 數據集
第 2 章 簡介
2.1 背景
2.2 投資組合構建流程
2.3 機器學習不是“魔杖”
第3 章 因子投資與資產定價異象
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 與機器學習的聯系
3.6 代碼練習
第4 章 數據預處理
4.1 認識你的數據
4.2 缺失值
4.3 異常值檢測
4.4 特征工程
4.5 打標簽
4.6 處理持續性問題
4.7 擴展
4.8 代碼和結果
4.9 代碼練習
第5 章 懲罰性線性回歸和稀疏對沖*小方差組合
5.1 懲罰性線性回歸
5.2 稀疏對沖*小方差組合
5.3 預測性回歸
5.4 代碼練習
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
第7 章 神經網絡
7.1 原始感知機
7.2 多層感知機
7.3 其他實際問題
7.4 關于基礎多層感知機的代碼示例和注釋
7.5 循環神經網絡
7.6 其他常用架構
7.7 代碼練習
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
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 驗證和調參
10.1 學習參數
10.2 驗證
10.3 尋找好的參數
10.4 關于驗證的簡短討論
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
第 12章 投資組合回測
12.1 基本設定
12.2 將信號轉化為投資組合的權重
12.3 績效評估
12.4 常見錯誤和問題
12.5 非平穩性：預測是困難的
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
第 13 章 可解釋性
13.1 全局模型
13.2 局部模型
第 14 章兩個關鍵概念：因果關系和非平穩性
14.1 因果關系
14.2 處理不斷變化的環境
第 15 章無監督學習
15.1 預測變量的相關性問題
15.2 主成分分析和自編碼器
15.3 k -means 聚類
15.4 *近鄰方法
15.5 代碼練習
第 16 章強化學習
16.1 理論布局
16.2 維度災難
16.3 策略梯度
16.4 簡單案例
16.5 結束語
16.6 練習
附錄1 變量說明
附錄2 練習答案
附錄3 Python代碼（掃書中二維碼獲取）
參考文獻（掃書中二維碼獲取）
1.1 符號
1.2 數據集
第 2 章 簡介
2.1 背景
2.2 投資組合構建流程
2.3 機器學習不是“魔杖”
第3 章 因子投資與資產定價異象
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 與機器學習的聯系
3.6 代碼練習
第4 章 數據預處理
4.1 認識你的數據
4.2 缺失值
4.3 異常值檢測
4.4 特征工程
4.5 打標簽
4.6 處理持續性問題
4.7 擴展
4.8 代碼和結果
4.9 代碼練習
第5 章 懲罰性線性回歸和稀疏對沖*小方差組合
5.1 懲罰性線性回歸
5.2 稀疏對沖*小方差組合
5.3 預測性回歸
5.4 代碼練習
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
第7 章 神經網絡
7.1 原始感知機
7.2 多層感知機
7.3 其他實際問題
7.4 關于基礎多層感知機的代碼示例和注釋
7.5 循環神經網絡
7.6 其他常用架構
7.7 代碼練習
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
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 驗證和調參
10.1 學習參數
10.2 驗證
10.3 尋找好的參數
10.4 關于驗證的簡短討論
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
第 12章 投資組合回測
12.1 基本設定
12.2 將信號轉化為投資組合的權重
12.3 績效評估
12.4 常見錯誤和問題
12.5 非平穩性：預測是困難的
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
第 13 章 可解釋性
13.1 全局模型
13.2 局部模型
第 14 章兩個關鍵概念：因果關系和非平穩性
14.1 因果關系
14.2 處理不斷變化的環境
第 15 章無監督學習
15.1 預測變量的相關性問題
15.2 主成分分析和自編碼器
15.3 k -means 聚類
15.4 *近鄰方法
15.5 代碼練習
第 16 章強化學習
16.1 理論布局
16.2 維度災難
16.3 策略梯度
16.4 簡單案例
16.5 結束語
16.6 練習
附錄1 變量說明
附錄2 練習答案
附錄3 Python代碼（掃書中二維碼獲取）
參考文獻（掃書中二維碼獲取）
展開全部
機器學習與因子投資——從基礎到實踐 相關資料
大數據和人工智能技術的發展極大地推動了資產定價理論與實證的發展，本書深入淺出地闡釋了機器學習技術應用于因子投資的重要領域和方法體系，并通過實際案例對相關內容進行了有效融合。同時，本書還提供了詳盡的文獻清單，這是進一步了解相關技術或知識的重要資料。無論是對從事科學研究的學者，還是從事投資實務的基金經理，是一本好用工具書。
汪壽陽，中國科學院教授
《機器學習與因子投資》比較充分地體現了“保持核心內容、遠離口號式陳述和空洞概念講解”的特點，是一本理論與實踐有機結合、有價值的”金融科技”
機器學習與因子投資——從基礎到實踐 作者簡介
[法]紀堯姆·科克雷（Guillaume Coqueret） 法國里昂商學院的金融和數據科學副教授，主要研究方向是機器學習工具在金融經濟學中的應用。 [法]托尼·吉達（Tony Guida） 法國RAM Active Investments公司執行董事，machineByte智庫主席，著有Big Data and Machine Learning in Quantitative Investment一書。 譯者簡介 周亮 金融工程博士，畢業于清華大學，在國內外金融學核心期刊上發表學術論文80余篇。現任湖南財政經濟學院講師，在多家私募證券基金擔任顧問。 周凡程 理學碩士，畢業于國防科技大學，在機器學習和量化投資領域有著豐富的理論研究和實踐經驗，目前主要從事投資組合管理的研發工作。
書友推薦
- >
姑媽的寶刀
- >
小考拉的故事-套裝共3冊
- >
【精裝繪本】畫給孩子的中國神話
- >
苦雨齋序跋文-周作人自編集
- >
隨園食單
- >
朝聞道
- >
史學評論
- >
中國歷史的瞬間
本類暢銷
