由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
正版 机器学习与因子投资:从基础到实践:r version
¥ ×1
第 1 章 符号与数据 1.1 符号 1.2 数据集 第 2 章 简介 2.1 背景 2.2 投资组合构建流程 2.3 机器学习不是“魔杖” 第3 章 因子投资与资产定价异象 3.1 简介 3.2 异象检验 3.3 因子还是特征 3.4 热门话题:动量、择时和ESG 3.5 与机器学习的联系 3.6 代码练习 第4 章 数据预处理 4.1 认识你的数据 4.2 缺失值 4.3 异常值检测 4.4 特征工程 4.5 打标签 4.6 处理持续性问题 4.7 扩展 4.8 代码和结果 4.9 代码练习 第5 章 惩罚性线性回归和稀疏对冲最小方差组合 5.1 惩罚性线性回归 5.2 稀疏对冲最小方差组合 5.3 预测性回归 5.4 代码练习 第6 章 树模型 6.1 简单决策树 6.2 随机森林 6.3 提升树:Adaboost 6.4 提升树:特别梯度提升(extreme gradient boosting)算法 6.5 讨论 6.6 代码练习 第7 章 神经网络 7.1 原始感知机 7.2 多层感知机 7.3 其他实际问题 7.4 关于基础多层感知机的代码示例和注释 7.5 循环神经网络 7.6 其他常用架构 7.7 代码练习 第8 章支持向量机 8.1 用SVM 进行分类 8.2 用SVM 进行回归 8.3 实践 8.4 代码练习 第9章 贝叶斯方法 9.1 贝叶斯框架 9.2 贝叶斯采样 9.3 贝叶斯线性回归 9.4 朴素贝叶斯分类器 9.5 贝叶斯加性回归树 第 10章 验证和调参 10.1 学习参数 10.2 验证 10.3 寻找好的参数 10.4 关于验证的简短讨论 第 11章 集成模型 11.1 线性集成 11.2 堆叠集成 11.3 扩展 11.4 代码练习 第 12章 投资组合回测 12.1 基本设定 12.2 将信号转化为投资组合的权重 12.3 绩效评估 12.4 常见错误和问题 12.5 非平稳性:预测是困难的 12.6 第 一个例子:一个完整的回测 12.7 第二个例子:过拟合 12.8 代码练习 第 13 章 可解释性 13.1 全局模型 13.2 局部模型 第 14 章两个关键概念:因果关系和非平稳性 14.1 因果关系 14.2 处理不断变化的环境 第 15 章无监督学习 15.1 预测变量的相关性问题 15.2 主成分分析和自编码器 15.3 k -means 聚类 15.4 最近邻方法 15.5 代码练习 第 16 章强化学习 16.1 理论布局 16.2 维度灾难 16.3 策略梯度 16.4 简单案例 16.5 结束语 16.6 练习 附录1 变量说明 附录2 练习答案 附录3 Python代码(扫书中二维码获取) 参考文献(扫书中二维码获取)
[法]纪尧姆·科克雷(Guillaume Coqueret) 法国里昂商学院的金融和数据科学副教授,主要研究方向是机器学习工具在金融经济学中的应用。 [法]托尼·吉达(Tony Guida) 法国RAM Active Investments公司执行董事,machineByte智库主席,著有Big Data and Machine Learning in Quantitative Investment一书。 译者简介 周亮 金融工程博士,毕业于清华大学,在国内外金融学核心期刊上发表学术论文80余篇。现任湖南财政经济学院讲师,在多家私募证券基金担任顾问。 周凡程 理学硕士,毕业于国防科技大学,在机器学习和量化投资领域有着丰富的理论研究和实践经验,目前主要从事投资组合管理的研发工作。
大数据和人工智能技术的发展极大地推动了资产定价理论与实证的发展,本书深入浅出地阐释了机器学习技术应用于因子投资的重要领域和方法体系,并通过实际案例对相关内容进行了有效融合。同时,本书还提供了详尽的文献清单,这是进一步了解相关技术或知识的重要资料。无论是对从事科学研究的学者,还是从事投资实务的基金经理,是一本好用工具书。 汪寿阳,中国科学院教授 《机器学习与因子投资》比较充分地体现了“保持核心内容、远离口号式陈述和空洞概念讲解”的特点,是一本理论与实践有机结合、有价值的”金融科技”专业参考书。强烈推荐金融及大数据相关专业的科研人员、金融机构从业者和监管部门的专业人士参阅本书,相信本书能够帮助读者获得专业知识和实操能力的提升。 袁先智,中山大学教授 《机器学习与因子投资》是一本集金融建模技术与实际投资方法于一身的珍贵之作。作者系统地介绍了股票配置决策中常用的机器学习模型,并深入探讨其背后的基本思路。本书不仅为读者提供了大量学术参考资料,还通过R语言代码演示如何在真实金融数据集上应用因子投资概念和机器学习工具。无论您是金融从业者还是学术爱好者,本书都将成为您在股票配置领域的得力助手,助您将投资策略与实操技巧有效地融合在一起。 张然,中国人民大学教授 机器学习是近几年量化交易的热点领域。本书对机器学习的主要模型做了全面的介绍,特别是以R语言代码为基本的实现工具,展示了如何在实际投资过程中应用因子投资概念及机器学习工具。对于想了解机器学习在金融量化领域应用的人来说,这是一本好书。译者理论背景深厚,亦有量化交易从业经历,保证了译文的准确性。 傅安里,财信人寿 ChatGPT正引领着新一轮的人工智能技术浪潮,推动着许多行业的变革。机器学习这种人工智能算法在金融投资领域也正在逐渐成为主流的研究方法。本书深入浅出地解释了机器学习在因子投资中的应用,为读者提供了宝贵的见解。难得的是,本书不只是理论的探讨,更注重实践应用。通过丰富的案例和实例,读者可以学习如何将机器学习技术应用于实际的因子选股和投资决策中。 王鸿勇,启林投资
本书首先介绍了将大数据集应用于机器学习的基础知识和因子投资的基本理论;之后,本书介绍了监督学习模式下可用于预测金融变量的几个基本机器学习算法,包括惩罚性线性回归、支持向量机等;接下来,本书介绍了将这些机器学习算法应用于金融领域的实战方法和细节;最后,本书讨论了一系列与机器学习和因子投资相关的进阶话题,包括模型的黑箱问题、因果关系问题和无监督学习算法等。本书适合金融机构从业者以及金融类专业学生系统了解因子投资的理论与方法,以及机器学习算法在因子投资领域的应用。
机器学习在量化金融领域的应用手册。 将机器学习模型作为量化因子投资的内核工具; 实际案例+R语言和Python双代码, 系统介绍股票配置与投资组合管理等方面的机器学习模型使用方法; 梳理全球量化金融领域前沿成果,介绍近百篇AI与因子投资交叉领域的重要文献。 特别适合金融及大数据相关专业的学生和研究人员、金融机构从业者,以及监管部门的专业人士参考阅读。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格