面向資產管理者的機器學習
內容描述
本書面向廣大資產管理者和各類研究人員,基於機器學習和人工智能,
指明從一個投資理念和理論到成功的投資策略具體實施的量化途徑。
作者認為一個缺乏理論依據的投資策略很可能是錯誤的。
為此,資產管理者應致力於發展理論,而不僅是回測潛在的交易規則。
本書就是從幫助資產管理者發現經濟和金融理論的角度出發,介紹機器學習的工具。
機器學習不是一個黑匣子,也不一定會過擬合。
機器學習的工具與經典統計方法是互補關係而不是替代關係。
本書認為機器學習的一些優點包括:注重樣本外的可預測性,而不是樣本內的方差判斷;
使用計算方法避免依賴一些(或許不切實際的)假設;能夠“學習”複雜的規範,
包括高維空間中的非線性、分層和非連續的交互效應;
能夠將變量搜索與設定搜索分離,並能很好地防止多重線性和其他替代效應。
目錄大綱
中文版序
1 引 言
1.1 動機
1.2 理論很重要
1.3 如何科學地運用機器學習
1.4 過擬合的兩種類型
1.5 提綱
1.6 受眾
1.7 關於金融機器學習的五個常見誤解
1.8 金融研究的未來
1.9 常見問題
1.10 結論
1.11 習題
2 降噪和降調
2.1 動機
2.2 Marcenko-Pastur定理
2.3 帶信號的隨機矩陣
2.4 擬合Marcenko-Pastur分佈
2.5 降噪
2.6 降調
2.7 實驗結果
2.8 結論
2.9 習題
3 距離度量
3.1 動機
3.2 基於相關性的度量
3.3 邊際熵和聯合熵
3.4 條件熵
3.5 Kullback-Leibler散度
3.6 交叉熵
3.7 互信息
3.8 差異信息
3.9 離散化
3.10 兩個劃分之間的距離
3.11 實驗結果
3.12 結論
3.13 習題
4 #優聚類
4.1 動機
4.2 相似度矩陣
4.3 聚類的類型
4.4 類集的個數
4.5 實驗結果
4.6 結論
4.7 習題
5 金融標註
5.1 動機
5.2 固定區間法
5.3 三重阻礙法
5.4 趨勢掃描法
5.5 元標註
5.6 實驗結果
5.7 結論
5.8 習題
6 特徵重要性分析
6.1 動機
6.2 p值
6.3 變量重要性
6.4 概率加權準確度
6.5 替代效應
6.6 實驗結果
6.7 結論
6.8 習題
7 組合構建
7.1 動機
7.2 凸組合優化
7.3 條件數
7.4 Markowitz的詛咒
7.5 信號作為協方差不穩定性的來源
7.6 嵌套聚類優化算法
7.7 實驗結果
7.8 結論
7.9 習題
8 測試集過擬合
8.1 動機
8.2 查准率和召回率
8.3 重複測試下的查准率和召回率
8.4 夏普比率
8.5 錯誤策略定理
8.6 實驗結果
8.7 收縮夏普比率
8.8 家族錯誤率
8.9 結論
8.10 習題
附錄A 合成數據測試
附錄B 錯誤策略定理的證明
參考書目
參考文獻