金融中的機器學習 (理論與實踐)

賈越珵 徐崢

金融中的機器學習 (理論與實踐)

買這商品的人也買了...

商品描述

本書系統介紹機器學習在金融領域的應用方法，從統一視角融合機器學習與金融計量經濟學、離散時間隨機控制等量化金融學科，重點闡述理論與假設檢驗如何指導金融數據建模與決策中的算法選擇。隨著計算資源與數據規模的持續增長，機器學習已成為金融行業的關鍵技能。 全書分為三部分，理論與應用並重： 基於橫截面數據的機器學習：從貝葉斯學派與頻率學派雙重視角解析核心方法，進階內容聚焦神經網絡與高斯過程，結合投資管理與衍生品建模案例，揭示算法在金融橫截面分析中的優化邏輯。 序貫學習：針對金融高頻數據特性，探討交易策略、隨機波動率及固定收益建模中的監督學習應用，突破傳統方法對數據生成過程的依賴。 時序數據與決策：解析強化學習在交易、投資與財富管理中的落地場景，提供免模型框架下的解決方案。 本書面向有金融計量經濟學、管理科學與應用統計基礎的高年級研究生和專業學者，以及量化金融領域的量化分析專家和數據科學家。本書兼具理論深度與實踐導向，為金融智能轉型提供跨學科方法論支撐，助力讀者掌握數據驅動決策的核心競爭力。

作者簡介

馬修·F.狄克遜，伊利諾伊理工學院應用數學助理教授，斯圖爾特商學院客座教授，金融科技領域的人工智能專家。發表20余篇機器學習與量化金融方向的論文，並被《彭博市場》和《金融時報》所引用。現任《金融機器學習》期刊副主編、《動力學與博弈論》期刊編委，同時也是CFA量化投資小組咨詢委員會成員。

目錄大綱

第一部分 基於橫截面數據的機器學習
第1章 引論
1.1 背景
1.2 機器學習與預測
1.3 統計建模與機器學習
1.4 強化學習
1.5 實踐中監督機器學習的示例
1.6 本章小結
1.7 習題
第2章 概率建模
2.1 簡介
2.2 貝葉斯vs.頻率估計
2.3 從數據中進行頻率推斷
2.4 評估估計量的質量：偏差和方差
2.5 關於估計量的偏差-方差權衡（困境）
2.6 從數據中進行貝葉斯推斷
2.7 模型選擇
2.8 概率圖模型
2.9 本章小結
2.10 習題
第3章 貝葉斯回歸和高斯過程
3.1 簡介
3.2 線性回歸的貝葉斯推斷
3.3 高斯過程回歸
3.4 大規模可縮放高斯過程
3.5 示例：使用單-GP進行定價和希臘值計算
3.6 多響應高斯過程
3.7 本章小結
3.8 習題
第4章 前饋神經網絡
4.1 簡介
4.2 前饋架構
4.3 凸性與不等式約束
4.4 訓練、確認和測試
4.5 隨機梯度下降
4.6 貝葉斯神經網絡
4.7 本章小結
4.8 習題
第5章 可解釋性
5.1 簡介
5.2 關於可解釋性的背景
5.3 神經網絡的解釋力
5.4 交互效應
5.5 雅可比矩陣方差的界
5.6 因子建模
5.7 本章小結
5.8 練習
第二部分 序貫學習
第6章 序貫建模
6.1 簡介
6.2 自回歸建模
6.3 擬合時間序列模型：Box-Jenkins方法
6.4 預測
6.5 主成分分析
6.6 本章小結
6.7 習題
第7章 概率序列建模
7.1 簡介
7.2 隱馬爾可夫建模
7.3 粒子濾波
7.4 隨機濾波器的點校準
7.5 隨機濾波器的貝葉斯校準
7.6 本章小結
7.7 習題
第8章 高級神經網絡
8.1 簡介
8.2 循環神經網絡
8.3 門控循環單元（GRU）
8.4 Python-Notebook示例
8.5 卷積神經網絡
8.6 自編碼器
8.7 本章小結
8.8 習題
第三部分 時序數據與決策
第9章 強化學習導論
9.1 簡介
9.2 強化學習的元素
9.3 馬爾可夫決策過程
9.4 動態規劃方法
9.5 強化學習方法
9.6 本章小結
9.7 習題
第10章 強化學習的應用
10.1 簡介
10.2 用於期權定價的QLBS模型
10.3 離散時間的Black-Scholes-Merton模型
10.4 QLBS模型
10.5 關於股票投資組合的G-學習
10.6 關於財富管理的強化學習
10.7 本章小結
10.8 習題
第11章 逆強化學習和模仿學習
11.1 簡介
11.2 逆強化學習
11.3 最大熵逆強化學習
11.4 示例：用於客戶偏好推斷的最大熵逆強化學習
11.5 對抗模仿學習和逆強化學習
11.6 除GAIL之外：AIRL、f-MAX、FAIRL、RS-GAIL等
11.7 高斯過程逆強化學習
11.8 逆強化學習能否超越導師？
11.9 讓我們嘗試一下：關於金融懸崖漫步的強化學習
11.10 逆強化學習的金融應用
11.11 本章小結
11.12 習題
第12章 機器學習與金融的前沿
12.1 簡介
12.2 市場動態、逆強化學習和物理學
12.3 物理學與機器學習
12.4 機器學習的“大一統”？

類似商品

最後瀏覽商品 (14)