[正版]书店 机器学习在量化金融中的应用 倪好//于光希//郑劲松//董欣

本书是资深金融数据分析专家多年工作的结晶。书中深入浅出地阐释机器学习的数学基础及其在金融数据分析领域的应用。

全书共分9章。**章介绍机器学习的发展状况并概述机器学习在金融中的应用。第2章介绍监督学习的通用框架。第3章描述最简单的线性回归模型——普通最小二乘法以及正则化方法——岭回归和套索回归，并讨论线性模型及非线性的回归和分类方法。第4章讨论监督学习中的树模型，包括决策树、随机森林和梯度提升树。第5章重点介绍三种主要的神经网络：人工神经网络、卷积神经网络和循环神经网络。第6章和第7章介绍无监督学习，主要包括聚类分析和主成分分析。第8章重点介绍强化学习在投资组合优化中的应用。第9章以一个流行的数据挑战项目为例，使用前几章介绍的机器学习方法预测金融违约风险，为读者提供解决实际数据问题的经验。

本书内容丰富，理论严谨，案例翔实，不仅包括完整的理论推导，而且囊括可用于实际项目的案例代码，适合高等院校计算机及相关专业的高年级本科生或者研究生阅读，也可以作为机器学习爱好者及金融分析师等的参考用书。

倪好，伦敦大学学院数学系副教授。研究方向包括随机分析、金融数学、机器学习和应用等。希望通过分享个人研究成果与经验心得，为对机器学习感兴趣的读者提供严谨简捷的入门，并且侧重于对量化金融方面的应用。

第1章    概述
    1.1    大数据时代
    1.2    机器学习
    1.3    量化金融
        1.3.1    金融数据的挑战
        1.3.2    机器学习的金融应用
        1.3.3    量化金融的未来
    1.4    新一代宽客
    1.5    学习路线图
    1.6    更多资源
        1.6.1    Python库
        1.6.2    图书与其他在线资源
    1.7    本书之外
第2章    监督学习
    2.1    回归任务框架
        2.1.1    模型
        2.1.2    损失函数
        2.1.3    优化方法
        2.1.4    预测和验证
    2.2    从回归到分类
        2.2.1    分类变量
        2.2.2    模型
        2.2.3    损失函数和优化方法
        2.2.4    预测和验证
        2.2.5    数值实验
    2.3    集成方法
        2.3.1    集成原理
        2.3.2    同质集成法
        2.3.3    异质集成法
    2.4    练习
第3章    线性回归和正则化
    3.1    普通最小二乘法
        3.1.1    公式推导
        3.1.2    优缺点
    3.2    正则化线性模型
        3.2.1    正则化
        3.2.2    岭回归
        3.2.3    套索回归
        3.2.4    数值实验
        3.2.5    两种正则化方法的联系
    3.3    线性模型延伸：基扩展
    3.4    练习
第4章    树模型
    4.1    原理简介
    4.2    决策树
        4.2.1    树结构
        4.2.2    模型
        4.2.3    回归树
        4.2.4    剪枝
        4.2.5    特征重要性
    4.3    随机森林
    4.4    梯度提升树
    4.5    数值实验：Iris数据集
        4.5.1    决策树的实现
        4.5.2    随机森林的实现
        4.5.3    梯度提升树的实现
        4.5.4    三种树模型的比较
    4.6    练习
第5章    神经网络
    5.1    基本概念
        5.1.1    神经元
        5.1.2    层
        5.1.3    激活函数
        5.1.4    张量
    5.2    人工神经网络
        5.2.1    浅层神经网络
        5.2.2    多层神经网络
        5.2.3    优化方法
        5.2.4    数值实验：MNIST数字识别
    5.3    卷积神经网络
        5.3.1    原理简介
        5.3.2    图像数据
        5.3.3    模型
        5.3.4    优化方法
        5.3.5    数值实验：Cifar10图像识别
    5.4    循环神经网络
        5.4.1    原理简介
        5.4.2    序列数据
        5.4.3    模型
        5.4.4    优化方法：BPTT
        5.4.5    循环神经网络的缺点
        5.4.6    LSTM和GRU
        5.4.7    数值实验：高频金融数据预测
    5.5    练习
第6章    聚类分析
    6.1    原理简介
    6.2    聚类分析框架
        6.2.1    数据集
        6.2.2    相似性
        6.2.3    聚类方法
        6.2.4    检验指标
    6.3    K均值法
        6.3.1    原理简介
        6.3.2    参数选择
        6.3.3    K均值法的实现
    6.4    层次聚类
        6.4.1    链接方式
        6.4.2    树状图
        6.4.3    层次聚类的实现
    6.5    密度聚类：DBSCAN
        6.5.1    原理简介
        6.5.2    参数选择
    6.6    分布聚类
        6.6.1    原理简介
        6.6.2    最大期望算法
    6.7    数值实验：聚类分析
    6.8    练习
第7章    主成分分析
    7.1    原理简介
        7.1.1    线性变换
        7.1.2    奇异值分解
        7.1.3    X和Z的方差
        7.1.4    降维
        7.1.5    实际问题
        7.1.6    主成分分析的实现
    7.2    数值实验：期限结构分析
        7.2.1    利率期限结构
        7.2.2    数据和观察值
        7.2.3    主成分分析与期限结构
        7.2.4    主成分分析与对冲
        7.2.5    主成分分析与聚类分析
    7.3    练习
第8章    强化学习
    8.1    原理简介
    8.2    循环强化学习
    8.3    从RNN到RRL
    8.4    数值实验：算法交易
    8.5    练习
第9章    金融案例研究：违约风险预测
    9.1    问题设定与数据
    9.2    探索性数据分析
        9.2.1    不平衡数据
        9.2.2    缺失值
        9.2.3    特征分组
    9.3    构建第一个分类器
        9.3.1    数据预处理
        9.3.2    特征工程
        9.3.3    训练模型
        9.3.4    折外预测
        9.3.5    参数调整
    9.4    模型集成
    9.5    提交结果
    9.6    练习
        9.6.1    CFM挑战：波动率预测
        9.6.2    Kaggle其他金融应用竞赛
参考文献