機器學習在量化金融中的應用

目錄
第1章 概述.............................1
1.1 大數(shù)據(jù)時代......................1
1.2 機器學習.........................2
1.3 量化金融.........................5
1.3.1 金融數(shù)據(jù)的挑戰(zhàn).............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
1.6.1 Python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(jiān)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(shù)..................15
2.1.3 優(yōu)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(shù)和優(yōu)化方法........29
2.2.4 預測和驗證................30
2.2.5 數(shù)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(yōu)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(shù)值實驗..................50
3.2.5 兩種正則化方法的聯(lián)系.....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(shù)值實驗：Iris數(shù)據(jù)集..........69
4.5.1 決策樹的實現(xiàn)..............69
4.5.2 隨機森林的實現(xiàn)............71
4.5.3 梯度提升樹的實現(xiàn)..........72
4.5.4 三種樹模型的比較..........72
4.6 練習.............................74
第5章 神經(jīng)網(wǎng)絡.......................75
5.1 基本概念........................75
5.1.1 神經(jīng)元....................75
5.1.2 層.........................77
5.1.3 激活函數(shù)..................77
5.1.4 張量.......................80
5.2 人工神經(jīng)網(wǎng)絡...................81
5.2.1 淺層神經(jīng)網(wǎng)絡..............81
5.2.2 多層神經(jīng)網(wǎng)絡..............84
5.2.3 優(yōu)化方法..................86
5.2.4 數(shù)值實驗：MNIST數(shù)字識別.......................91
5.3 卷積神經(jīng)網(wǎng)絡...................95
5.3.1 原理簡介..................95
5.3.2 圖像數(shù)據(jù)..................96
5.3.3 模型.......................98
5.3.4 優(yōu)化方法.................107
5.3.5 數(shù)值實驗：Cifar10圖像識別.....................107
5.4 循環(huán)神經(jīng)網(wǎng)絡..................115
5.4.1 原理簡介.................115
5.4.2 序列數(shù)據(jù).................116
5.4.3 模型.....................117
5.4.4 優(yōu)化方法：BPTT.........118
5.4.5 循環(huán)神經(jīng)網(wǎng)絡的缺點......121
5.4.6 LSTM和GRU............124
5.4.7 數(shù)值實驗：高頻金融數(shù)據(jù)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(shù)據(jù)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
6.3 K均值法......................140
6.3.1 原理簡介.................140
6.3.2 參數(shù)選擇.................141
6.3.3 K均值法的實現(xiàn)..........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(xiàn)...........149
6.5 密度聚類：DBSCAN...........149
6.5.1 原理簡介.................149
6.5.2 參數(shù)選擇.................151
6.6 分布聚類......................152
6.6.1 原理簡介.................152
6.6.2 最大期望算法.............152
6.7 數(shù)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
7.1.3 X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(xiàn).........160
7.2 數(shù)值實驗：期限結構分析......161
7.2.1 利率期限結構.............161
7.2.2 數(shù)據(jù)和觀察值.............163
7.2.3 主成分分析與期限結構....164
7.2.4 主成分分析與對沖.........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(huán)強化學習..................175
8.3 從RNN到RRL...............177
8.4 數(shù)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(shù)據(jù)...............189
9.2 探索性數(shù)據(jù)分析...............191
9.2.1 不平衡數(shù)據(jù)...............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(shù)據(jù)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(shù)調整.................199
9.4 模型集成......................200
9.5 提交結果......................202
9.6 練習...........................202
9.6.1 CFM挑戰(zhàn)：波動率預測................202
9.6.2 Kaggle其他金融應用競賽.....................204
參考文獻................................205