作 者:倪好 等 著
定 价:69
出 版 社:清华大学出版社
![]()
出版日期:2021年02月01日
![]()
页 数:440
![]()
装 帧:平装
![]()
ISBN:9787302565963
![]()
![目录]()
●章概述1
1.1大数据时代1
1.2机器学习2
1.3量化金融5
1.3.1金融数据的挑战5
1.3.2机器学金融应用5
1.3.3量化金融的未来6
1.4新一代宽客6
1.5学习路线图7
1.6更多资源8
1.6.1Python库8
1.6.2图书与其他在线资源9
1.7本书之外10
第2章监督学习12
2.1回归任务框架12
2.1.1模型14
2.1.2损失函数15
2.1.3优化方法16
2.1.4预测和验证25
2.2从回归到分类28
2.2.1分类变量28
2.2.2模型28
2.2.3损失函数和优化方法29
2.2.4预测和验证30
2.2.5数值实验32
2.3集成方法35
2.3.1集成原理36
2.3.2同质集成法37
2.3.3异质集成法41
2.4练习42
第3章线性回归和正则化43
3.1普通小二乘法43
3.1.1公式推导43
3.1.2优缺点45
3.2正则化线性模型46
3.2.1正则化46
3.2.2岭回归47
3.2.3套索回归48
3.2.4数值实验50
3.2.5两种正则化方法的联系52
3.3线性模型延伸：基扩展55
3.4练习56
第4章树模型57
4.1原理简介57
4.2决策树58
4.2.1树结构58
4.2.2模型60
4.2.3回归树61
4.2.4剪枝65
4.2.5特征重要性65
4.3随机森林66
4.4梯度提升树67
4.5数值实验：Iris数据集69
4.5.1决策树的实现69
4.5.2随机森林的实现71
4.5.3梯度提升树的实现72
4.5.4三种树模型的比较72
4.6练习74
第5章神经网络75
5.1基本概念75
5.1.1神经元75
5.1.2层77
5.1.3激活函数77
5.1.4张量80
5.2人工神经网络81
5.2.1浅层神经网络81
5.2.2多层神经网络84
5.2.3优化方法86
5.2.4数值实验：MNIST数字识别91
5.3卷积神经网络95
5.3.1原理简介95
5.3.2图像数据96
5.3.3模型98
5.3.4优化方法107
5.3.5数值实验：Cifar10图像识别107
5.4循环神经网络115
5.4.1原理简介115
5.4.2序列数据116
5.4.3模型117
5.4.4优化方法：BPTT118
5.4.5循环神经网络的缺点121
5.4.6LSTM和GRU124
5.4.7数值实验：高频金融数据预测125
5.5练习135
第6章聚类分析136
6.1原理简介136
6.2聚类分析框架136
6.2.1数据集137
6.2.2相似性138
6.2.3聚类方法138
6.2.4检验指标139
6.3K均值法140
6.3.1原理简介140
6.3.2参数选择141
6.3.3K均值法的实现145
层次聚类146
.1链接方式146
.2树状图147
.3层次聚类的实现149
6.5密度聚类：DBSCAN149
6.5.1原理简介149
6.5.2参数选择151
6.6分布聚类152
6.6.1原理简介152
6.6.2大期望算法152
6.7数值实验：聚类分析155
6.8练习155
第7章主成分分析156
7.1原理简介156
7.1.1线性变换156
7.1.2奇异值分解157
7.1.3X和Z的方差158
7.1.4降维159
7.1.5实际问题159
7.1.6主成分分析的实现160
7.2数值实验：期限结构分析161
7.2.1利率期限结构161
7.2.2数据和观察值163
7.2.3主成分分析与期限结构1
7.2.4主成分分析与对冲168
7.2.5主成分分析与聚类分析171
7.3练习172
第8章强化学习173
8.1原理简介173
8.2循环强化学习175
8.3从RNN到RRL177
8.4数值实验：算法交易182
8.5练习187
第9章金融案例研究：违约风险预测188
9.1问题设定与数据189
9.2探索性数据分析191
9.2.1不平衡数据191
9.2.2缺失值192
9.2.3特征分组192
9.3构建个分类器193
9.3.1数据预处理193
9.3.2特征工程193
9.3.3训练模型195
9.3.4折外预测196
9.3.5参数调整199
9.4模型集成200
9.5提交结果202
9.6练习202
9.6.1CFM挑战：波动率预测202
9.6.2Kaggle其他金融应用竞赛204
参考文献205
![内容简介]()
本书是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章介绍监督学通用框架。第3章描述简单的线性回归模型——普通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等
![作者简介]()
倪好 等 著
"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，并且侧重于对计量金融方面的应用。
于光希，伦敦大学学院金融数学硕士，专注机器学习在金融中的应用，现任申万宏源证券研究所量化分析师。
郑劲松，德国杜伊斯堡埃森大学经济学博士，有多年量化风险分析与金融建模相关的海外工作经验，现任华泰证券算法工程师。
董欣，伦敦帝国理工学院金融数学博士，专注金融衍生品做市研究，现任城堡证券研究量化分析师。"
