本書首先介紹了將大數(shù)據(jù)集應用于機器學習的基礎知識和因子投資的基本理論；之后，本書介紹了監(jiān)督學習模式下可用于預測金融變量的幾個基本機器學習算法，包括懲罰性線性回歸、支持向量機等；接下來，本書介紹了將這些機器學習算法應用于金融領域的實戰(zhàn)方法和細節(jié)；最后，本書討論了一系列與機器學習和因子投資相關的進階話題，包括模型的黑箱問題、因果關系問題和無監(jiān)督學習算法等。本書適合金融機構從業(yè)者以及金融類專業(yè)學生系統(tǒng)了解因子投資的理論與方法，以及機器學習算法在因子投資領域的應用。
機器學習在量化金融領域的應用手冊。
將機器學習模型作為量化因子投資的內核工具；
實際案例+R語言和Python雙代碼，
系統(tǒng)介紹股票配置與投資組合管理等方面的機器學習模型使用方法；
梳理全球量化金融領域前沿成果，介紹近百篇AI與因子投資交叉領域的重要文獻。
特別適合金融及大數(shù)據(jù)相關專業(yè)的學生和研究人員、金融機構從業(yè)者，以及監(jiān)管部門的專業(yè)人士參考閱讀。
[法]紀堯姆·科克雷（Guillaume Coqueret）
法國里昂商學院的金融和數(shù)據(jù)科學副教授，主要研究方向是機器學習工具在金融經濟學中的應用。
[法]托尼·吉達（Tony Guida）
法國RAM Active Investments公司執(zhí)行董事，machineByte智庫主席，著有Big Data and Machine Learning in Quantitative Investment一書。
譯者簡介
周亮
金融工程博士，畢業(yè)于清華大學，在國內外金融學核心期刊上發(fā)表學術論文80余篇�，F(xiàn)任湖南財政經濟學院講師，在多家私募證券基金擔任顧問。
周凡程
理學碩士，畢業(yè)于國防科技大學，在機器學習和量化投資領域有著豐富的理論研究和實踐經驗，目前主要從事投資組合管理的研發(fā)工作。
第 1 章 符號與數(shù)據(jù)
1.1 符號
1.2 數(shù)據(jù)集
第 2 章 簡介
2.1 背景
2.2 投資組合構建流程
2.3 機器學習不是“魔杖”
第3 章 因子投資與資產定價異象
3.1 簡介
3.2 異象檢驗
3.3 因子還是特征
3.4 熱門話題：動量、擇時和ESG
3.5 與機器學習的聯(lián)系
3.6 代碼練習
第4 章 數(shù)據(jù)預處理
4.1 認識你的數(shù)據(jù)
4.2 缺失值
4.3 異常值檢測
4.4 特征工程
4.5 打標簽
4.6 處理持續(xù)性問題
4.7 擴展
4.8 代碼和結果
4.9 代碼練習
第5 章 懲罰性線性回歸和稀疏對沖最小方差組合
5.1 懲罰性線性回歸
5.2 稀疏對沖最小方差組合
5.3 預測性回歸
5.4 代碼練習
第6 章 樹模型
6.1 簡單決策樹
6.2 隨機森林
6.3 提升樹：Adaboost
6.4 提升樹：極端梯度提升（extreme gradient boosting）算法
6.5 討論
6.6 代碼練習
第7 章 神經網絡
7.1 原始感知機
7.2 多層感知機
7.3 其他實際問題
7.4 關于基礎多層感知機的代碼示例和注釋
7.5 循環(huán)神經網絡
7.6 其他常用架構
7.7 代碼練習
第8 章支持向量機
8.1 用SVM 進行分類
8.2 用SVM 進行回歸
8.3 實踐
8.4 代碼練習
第9章 貝葉斯方法
9.1 貝葉斯框架
9.2 貝葉斯采樣
9.3 貝葉斯線性回歸
9.4 樸素貝葉斯分類器
9.5 貝葉斯加性回歸樹
第 10章 驗證和調參
10.1 學習參數(shù)
10.2 驗證
10.3 尋找好的參數(shù)
10.4 關于驗證的簡短討論
第 11章 集成模型
11.1 線性集成
11.2 堆疊集成
11.3 擴展
11.4 代碼練習
第 12章 投資組合回測
12.1 基本設定
12.2 將信號轉化為投資組合的權重
12.3 績效評估
12.4 常見錯誤和問題
12.5 非平穩(wěn)性：預測是困難的
12.6 第 一個例子：一個完整的回測
12.7 第二個例子：過擬合
12.8 代碼練習
第 13 章 可解釋性
13.1 全局模型
13.2 局部模型
第 14 章兩個關鍵概念：因果關系和非平穩(wěn)性
14.1 因果關系
14.2 處理不斷變化的環(huán)境
第 15 章無監(jiān)督學習
15.1 預測變量的相關性問題
15.2 主成分分析和自編碼器
15.3 k -means 聚類
15.4 最近鄰方法
15.5 代碼練習
第 16 章強化學習
16.1 理論布局
16.2 維度災難
16.3 策略梯度
16.4 簡單案例
16.5 結束語
16.6 練習
附錄1 變量說明
附錄2 練習答案
附錄3 Python代碼（掃書中二維碼獲�。�
參考文獻（掃書中二維碼獲�。�
書單推薦
