本書面向廣大資產(chǎn)管理者和各類研究人員，基于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(jù)的投資策略很可能是錯誤的。為此，資產(chǎn)管理者應致力于發(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(jīng)典統(tǒng)計方法是互補關系而不是替代關系。本書認為機器學習的一些優(yōu)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”復雜的規(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；能夠將變量搜索與設定搜索分離，并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 關于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分布
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 基于相關性的度量
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 實驗結果
3.12 結論
3.13 習題
4 最優(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 實驗結果
4.6 結論
4.7 習題
5 金融標注
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 元標注
5.6 實驗結果
5.7 結論
5.8 習題
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(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 實驗結果
7.8 結論
7.9 習題
8 測試集過擬合
8.1 動機
8.2 查準率和召回率
8.3 重復測試下的查準率和召回率
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(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
書單推薦
