本書首先介紹了將大數(shù)據(jù)集應(yīng)用于機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和因子投資的基本理論；之后，本書介紹了監(jiān)督學(xué)習(xí)模式下可用于預(yù)測(cè)金融變量的幾個(gè)基本機(jī)器學(xué)習(xí)算法，包括懲罰性線性回歸、支持向量機(jī)等；接下來(lái)，本書介紹了將這些機(jī)器學(xué)習(xí)算法應(yīng)用于金融領(lǐng)域的實(shí)戰(zhàn)方法和細(xì)節(jié)；最后，本書討論了一系列與機(jī)器學(xué)習(xí)和因子投資相關(guān)的進(jìn)階話題，包括模型的黑箱問(wèn)題、因果關(guān)系問(wèn)題和無(wú)監(jiān)督學(xué)習(xí)算法等。本書適合金融機(jī)構(gòu)從業(yè)者以及金融類專業(yè)學(xué)生系統(tǒng)了解因子投資的理論與方法，以及機(jī)器學(xué)習(xí)算法在因子投資領(lǐng)域的應(yīng)用。
機(jī)器學(xué)習(xí)在量化金融領(lǐng)域的應(yīng)用手冊(cè)。
將機(jī)器學(xué)習(xí)模型作為量化因子投資的內(nèi)核工具；
實(shí)際案例+R語(yǔ)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(jī)器學(xué)習(xí)模型使用方法；
梳理全球量化金融領(lǐng)域前沿成果，介紹近百篇AI與因子投資交叉領(lǐng)域的重要文獻(xiàn)。
特別適合金融及大數(shù)據(jù)相關(guān)專業(yè)的學(xué)生和研究人員、金融機(jī)構(gòu)從業(yè)者，以及監(jiān)管部門的專業(yè)人士參考閱讀。
[法]紀(jì)堯姆·科克雷（Guillaume Coqueret）
法國(guó)里昂商學(xué)院的金融和數(shù)據(jù)科學(xué)副教授，主要研究方向是機(jī)器學(xué)習(xí)工具在金融經(jīng)濟(jì)學(xué)中的應(yīng)用。
[法]托尼·吉達(dá)（Tony Guida）
法國(guó)RAM Active Investments公司執(zhí)行董事，machineByte智庫(kù)主席，著有Big Data and Machine Learning in Quantitative Investment一書。
譯者簡(jiǎn)介
周亮
金融工程博士，畢業(yè)于清華大學(xué)，在國(guó)內(nèi)外金融學(xué)核心期刊上發(fā)表學(xué)術(shù)論文80余篇。現(xiàn)任湖南財(cái)政經(jīng)濟(jì)學(xué)院講師，在多家私募證券基金擔(dān)任顧問(wèn)。
周凡程
理學(xué)碩士，畢業(yè)于國(guó)防科技大學(xué)，在機(jī)器學(xué)習(xí)和量化投資領(lǐng)域有著豐富的理論研究和實(shí)踐經(jīng)驗(yàn)，目前主要從事投資組合管理的研發(fā)工作。
第 1 章 符號(hào)與數(shù)據(jù)
1.1 符號(hào)
1.2 數(shù)據(jù)集
第 2 章 簡(jiǎn)介
2.1 背景
2.2 投資組合構(gòu)建流程
2.3 機(jī)器學(xué)習(xí)不是“魔杖”
第3 章 因子投資與資產(chǎn)定價(jià)異象
3.1 簡(jiǎn)介
3.2 異象檢驗(yàn)
3.3 因子還是特征
3.4 熱門話題：動(dòng)量、擇時(shí)和ESG
3.5 與機(jī)器學(xué)習(xí)的聯(lián)系
3.6 代碼練習(xí)
第4 章 數(shù)據(jù)預(yù)處理
4.1 認(rèn)識(shí)你的數(shù)據(jù)
4.2 缺失值
4.3 異常值檢測(cè)
4.4 特征工程
4.5 打標(biāo)簽
4.6 處理持續(xù)性問(wèn)題
4.7 擴(kuò)展
4.8 代碼和結(jié)果
4.9 代碼練習(xí)
第5 章 懲罰性線性回歸和稀疏對(duì)沖最小方差組合
5.1 懲罰性線性回歸
5.2 稀疏對(duì)沖最小方差組合
5.3 預(yù)測(cè)性回歸
5.4 代碼練習(xí)
第6 章 樹模型
6.1 簡(jiǎn)單決策樹
6.2 隨機(jī)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(xí)
第7 章 神經(jīng)網(wǎng)絡(luò)
7.1 原始感知機(jī)
7.2 多層感知機(jī)
7.3 其他實(shí)際問(wèn)題
7.4 關(guān)于基礎(chǔ)多層感知機(jī)的代碼示例和注釋
7.5 循環(huán)神經(jīng)網(wǎng)絡(luò)
7.6 其他常用架構(gòu)
7.7 代碼練習(xí)
第8 章支持向量機(jī)
8.1 用SVM 進(jìn)行分類
8.2 用SVM 進(jìn)行回歸
8.3 實(shí)踐
8.4 代碼練習(xí)
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(yàn)證和調(diào)參
10.1 學(xué)習(xí)參數(shù)
10.2 驗(yàn)證
10.3 尋找好的參數(shù)
10.4 關(guān)于驗(yàn)證的簡(jiǎn)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(kuò)展
11.4 代碼練習(xí)
第 12章 投資組合回測(cè)
12.1 基本設(shè)定
12.2 將信號(hào)轉(zhuǎn)化為投資組合的權(quán)重
12.3 績(jī)效評(píng)估
12.4 常見(jiàn)錯(cuò)誤和問(wèn)題
12.5 非平穩(wěn)性：預(yù)測(cè)是困難的
12.6 第 一個(gè)例子：一個(gè)完整的回測(cè)
12.7 第二個(gè)例子：過(guò)擬合
12.8 代碼練習(xí)
第 13 章 可解釋性
13.1 全局模型
13.2 局部模型
第 14 章兩個(gè)關(guān)鍵概念：因果關(guān)系和非平穩(wěn)性
14.1 因果關(guān)系
14.2 處理不斷變化的環(huán)境
第 15 章無(wú)監(jiān)督學(xué)習(xí)
15.1 預(yù)測(cè)變量的相關(guān)性問(wèn)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(xí)
第 16 章強(qiáng)化學(xué)習(xí)
16.1 理論布局
16.2 維度災(zāi)難
16.3 策略梯度
16.4 簡(jiǎn)單案例
16.5 結(jié)束語(yǔ)
16.6 練習(xí)
附錄1 變量說(shuō)明
附錄2 練習(xí)答案
附錄3 Python代碼（掃書中二維碼獲取）
參考文獻(xiàn)（掃書中二維碼獲取）
新書資訊