《金融機器學習和數據科學實踐》是2022年中國電力出版社出版的圖書。
基本介紹
- 中文名：金融機器學習和數據科學實踐
- 出版時間：2022年11月1日
- 出版社：中國電力出版社
- ISBN：9787519869632
內容簡介,圖書目錄,
內容簡介
·用監督學習回歸模型開發算法交易策略和衍生品定價模型。
·用監督學習分類模型預測信貨違約機率，檢測欺詐行為。
·用降維技術解決投資組合管理和收益率曲線構造問題。
·為實現交易策略和管理投資組合，用降維和聚類技術尋找相似資產。
·用強化學習模型和技術開發交易策略、衍生品對沖策略，管理投資組合。
·用NLTK和scikit-learn等Python庫解決金融領域自然語言處理問題。
圖書目錄
前言 . 1
第一部分 框架
第1 章 金融機器學習簡介 .11
1.1 金融機器學習套用的現狀和前景 .12
1.1.1 算法交易 .12
1.1.2 投資組合管理和智慧型投顧 12
1.1.3 欺詐檢測 .12
1.1.4 貸款、信用卡和保險審核 13
1.1.5 自動化和聊天機器人.13
1.1.6 風險管理 .14
1.1.7 資產價格預測 14
1.1.8 衍生品定價 14
1.1.9 情感分析 .14
1.1.10 金融資產結算 .15
1.1.11 反洗錢 15
1.2 機器學習、深度學習、人工智慧和大數據 .15
1.3 機器學習類型 .17
1.3.1 監督學習 .17
1.3.2 無監督學習 18
1.3.3 強化學習 .19
1.4 自然語言處理 .20
1.5 小結 .21
第2 章 用Python 開發機器學習模型 23
2.1 為什麼用Python 23
2.2 Python 機器學習包 24
2.3 Python 生態系統的模型開發步驟 .26
2.4 小結 .41
第3 章 人工神經網路 . 43
3.1 人工神經網路：架構、訓練和超參數 44
3.1.1 架構 44
3.1.2 訓練 46
3.1.3 超參數 48
3.2 用Python 建人工神經網路模型 .52
3.2.1 安裝Keras 等機器學習包52
3.2.2 提高人工神經網路模型運行速度：GPU 和雲服務 55
3.3 小結 .57
第二部分 監督學習
第4 章 監督學習：模型和概念 61
4.1 監督學習模型概覽 62
4.1.1 線性回歸（普通最小二乘法） .64
4.1.2 正則化回歸 66
4.1.3 對數機率回歸 69
4.1.4 支持向量機 70
4.1.5 k 近鄰 72
4.1.6 線性判別分析 74
4.1.7 分類回歸樹 75
4.1.8 集成模型 .77
4.1.9 人工神經網路模型 .83
4.2 模型性能 85
4.2.1 過擬合和欠擬合 85
4.2.2 交叉檢驗 .87
4.2.3 評估指標 .88
4.3 模型選擇 92
4.3.1 影響模型選擇的因素.92
4.3.2 模型取捨 .94
4.4 小結 .94
第5 章 監督學習：回歸（含時間序列模型） 97
5.1 時間序列模型 100
5.1.1 拆解時間序列 .100
5.1.2 自相關性和平穩性 102
5.1.3 傳統時間序列模型（包括ARIMA 模型）104
5.1.4 時間序列建模的深度學習方法 106
5.1.5 為監督學習模型調整時間序列數據 109
5.2 案例研究1：股價預測 110
5.3 案例研究2：衍生品定價 130
5.4 案例研究3：投資者風險容忍度和智慧型投顧 142
5.5 案例研究4：收益率曲線預測 .158
5.6 小結 167
5.7 練習 168
第6 章 監督學習：分類 . 169
6.1 案例研究1：欺詐檢測 171
6.2 案例研究2：預測借款拖欠機率 185
6.3 案例研究3：比特幣交易策略 .199
6.4 小結 211
6.5 練習 211
第三部分 無監督學習
第7 章 無監督學習：降維 . 215
7.1 降維技術 .217
7.1.1 主成分分析 .217
7.1.2 核主成分分析 .221
7.1.3 t-SNE221
7.2 案例研究1：投資組合管理：尋找特徵組合 222
7.3 案例研究2：收益率曲線構造和利率建模 237
7.4 案例研究3：比特幣交易：提高速度和準確率 248
7.5 小結 257
7.6 練習 257
第8 章 無監督學習：聚類 . 259
8.1 聚類技術 .261
8.1.1 k 均值聚類 261
8.1.2 層次聚類 262
8.1.3 親和力傳播聚類 264
8.2 案例研究1：配對交易聚類 265
8.3 案例研究2：投資組合管理：投資者聚類 282
8.4 案例研究3：層次風險平價 291
8.5 小結 301
8.6 練習 301
第四部分 強化學習和自然語言處理
第9 章 強化學習 305
9.1 強化學習的理論和概念 307
9.1.1 強化學習建模框架 312
9.1.2 強化學習模型 .317
9.1.3 強化學習的主要挑戰322
9.2 案例研究1：用強化學習實現交易策略 .322
9.3 案例研究2：衍生品對沖 341
9.4 案例研究3：投資組合分配 359
9.5 小結 370
9.6 練習 370
第10 章 自然語言處理 371
10.1 Python 的NLP 庫 373
10.1.1 NLTK 庫 .373
10.1.2 TextBlob 庫 374
10.1.3 spaCy 庫 .374
10.2 NLP 理論和概念 374
10.2.1 預處理 .375
10.2.2 特徵表示 381
10.2.3 推斷 385
10.3 案例研究1：用NLP 和情感分析技術實現交易策略 . 388
10.4 案例研究2：聊天機器人數字助理 . 411
10.5 案例研究3：文檔摘要 .421
10.6 小結 428
10.7 練習 429
