資深金融數據分析專家多年工作結晶，深入淺出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

●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
1.6.1Python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特征重要性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
5.1.75
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：BPTT118
5.4.5循環神經網絡的缺點121
5.4.6LSTM和GRU124
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
6.3K均值法140
6.3.1原理簡介140
6.3.2參數選擇141
6.3.3K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：DBSCAN149
6.5.1原理簡介149
6.5.2參數選擇151
6.6分布聚類152
6.6.1原理簡介152
6.6.2優選期望算法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
7.1.3X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主成分分析與對衝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RRL177
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特征分組192
9.3構建第一個分類器193
9.3.1數據預處理193
9.3.2特征工程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
9.6.1CFM挑戰：波動率預測202
9.6.2Kaggle其他金融應用競賽204
參考文獻205

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、卷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，適合高等院校等

倪好 等 著