大數(shù)據(jù)、機(jī)器學(xué)習(xí)與量化投資

定　價(jià)：￥99.00

作　者：	托尼·吉達(dá)
出版社：	中信出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787521755640	出版時(shí)間：	2023-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　以從業(yè)者視角探討如何在金融領(lǐng)域有效運(yùn)用大數(shù)據(jù)和機(jī)器學(xué)習(xí)。近年來，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)在投資中發(fā)揮著越來越大的作用。借助機(jī)器學(xué)習(xí)和大數(shù)據(jù)，投資經(jīng)理能夠做出以往傳統(tǒng)模型無法實(shí)現(xiàn)的預(yù)測(cè)，進(jìn)而做出明智的決策。然而，并不是所有的數(shù)據(jù)集和機(jī)器學(xué)習(xí)技術(shù)都對(duì)金融投資有用，也不是所有的機(jī)器學(xué)習(xí)技術(shù)都可以“即插即用”?！洞髷?shù)據(jù)、機(jī)器學(xué)習(xí)與量化投資》這本書由資深量化分析專家托尼·吉達(dá)主編，匯集了多位業(yè)內(nèi)頗具影響力的專家學(xué)者的前沿分享，闡釋如何應(yīng)用機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)來解決投資問題并提高投資績(jī)效。這本書共有13章，理論嚴(yán)謹(jǐn)，案例豐富，內(nèi)容涵蓋機(jī)器學(xué)習(xí)在投資管理中的應(yīng)用現(xiàn)狀和前景、另類數(shù)據(jù)和大數(shù)據(jù)在宏觀交易中的應(yīng)用、處理大數(shù)據(jù)集的難點(diǎn)和解決方案、挖掘社交媒體數(shù)據(jù)集分析企業(yè)文化、使用自然語言處理技術(shù)進(jìn)行投資者情緒分析、基于支持向量回歸的全球戰(zhàn)術(shù)性資產(chǎn)配置策略、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)在投資組合優(yōu)化中的應(yīng)用等主題，可以作為量化投資從業(yè)者、金融算法研究人員、高等院校計(jì)算機(jī)專業(yè)和金融工程專業(yè)的師生以及機(jī)器學(xué)習(xí)愛好者的參考用書。

作者簡(jiǎn)介

　　托尼·吉達(dá)，倫敦一家老牌養(yǎng)老基金的資深量化投資基金經(jīng)理，負(fù)責(zé)管理多因子股票投資組合。在此之前，曾在EDHEC RISK Scientific Beta 擔(dān)任高級(jí)顧問，負(fù)責(zé)聰明貝塔和風(fēng)險(xiǎn)配置，就如何構(gòu)建和配置風(fēng)險(xiǎn)溢價(jià)向資產(chǎn)所有者提供專業(yè)建議。在加入EDHEC之前，他在UNIGESTION工作了8年，擔(dān)任高級(jí)研究分析師。他曾是Minimum Variance Strategies研究和投資委員會(huì)的成員，負(fù)責(zé)領(lǐng)導(dǎo)機(jī)構(gòu)客戶因子投資研究小組。他擁有法國(guó)薩沃伊大學(xué)計(jì)量經(jīng)濟(jì)學(xué)和金融學(xué)學(xué)士和碩士學(xué)位。曾多次發(fā)表關(guān)于量化投資現(xiàn)代方法的演講，并多次舉辦關(guān)于“機(jī)器學(xué)習(xí)應(yīng)用于量化投資”的研討會(huì)。

圖書目錄

第1章算法能構(gòu)建出具有人類智慧的alpha嗎
1.1導(dǎo)讀
1.2重復(fù)或是重塑
1.3用機(jī)器學(xué)習(xí)重塑投資
1.4信任問題
1.5經(jīng)濟(jì)存在主義∶一項(xiàng)宏大設(shè)計(jì)抑或一次偶然事件
1.6這一系統(tǒng)究竟是什么
1.7動(dòng)態(tài)預(yù)測(cè)與新方法論
1.8基本面因子、預(yù)測(cè)與機(jī)器學(xué)習(xí)
1.9結(jié)論：尋找投資中的“釘子”
第2章駕馭大數(shù)據(jù)
2.1導(dǎo)讀
2.2使用另類數(shù)據(jù)的驅(qū)動(dòng)因素
2.3另類數(shù)據(jù)類型、形式與范圍
2.4如何判斷哪些另類數(shù)據(jù)有用
2.5另類數(shù)據(jù)需要多少成本
2.6案例研究
2.7使用另類數(shù)據(jù)的明顯趨勢(shì)
2.8結(jié)論
第3章機(jī)器學(xué)習(xí)在投資管理中的應(yīng)用現(xiàn)狀
3.1導(dǎo)讀
3.2數(shù)據(jù)無處不在
3.3人工智能應(yīng)用圖譜
3.4行業(yè)間的相互聯(lián)系和人工智能的實(shí)施推動(dòng)者
3.5行業(yè)發(fā)展前景
3.6關(guān)于未來
3.7結(jié)論
第4章在投資過程中使用另類數(shù)據(jù)
4.1導(dǎo)讀
4.2量化浩劫：激勵(lì)人們尋找另類數(shù)據(jù)
4.3利用好另類數(shù)據(jù)爆炸帶來的好處
4.4選擇要進(jìn)行評(píng)估的數(shù)據(jù)源
4.5評(píng)估技術(shù)
4.6基本面基金管理者與另類數(shù)據(jù)
4.7若干例證
4.8結(jié)論
第5章使用另類數(shù)據(jù)和大數(shù)據(jù)交易宏觀資產(chǎn)
5.1導(dǎo)讀
5.2理解大數(shù)據(jù)和另類數(shù)據(jù)的一般概念
5.3傳統(tǒng)建模方法與機(jī)器學(xué)習(xí)
5.4大數(shù)據(jù)和另類數(shù)據(jù)：在宏觀交易中的廣泛使用
5.5案例研究：使用大數(shù)據(jù)和另類數(shù)據(jù)深入挖掘宏觀交易
5.6結(jié)論
第6章大即為美，從電子郵件收據(jù)數(shù)據(jù)預(yù)測(cè)公司銷售額
6.1導(dǎo)讀
6.2Quandl的電子郵件收據(jù)數(shù)據(jù)庫
6.3大數(shù)據(jù)工作中的挑戰(zhàn)
6.4預(yù)測(cè)公司銷售額
6.5實(shí)時(shí)預(yù)測(cè)
6.6案例研究：亞馬遜銷售案例
第7章將集成學(xué)習(xí)應(yīng)用于量化股票：多因子框架中的梯度提升算法
7.1導(dǎo)讀
7.2提升樹入門
7.3數(shù)據(jù)和方案
7.4建立模型
7.5結(jié)果和討論
7.6結(jié)論
第8章企業(yè)文化的社交媒體分析
8.1導(dǎo)讀
8.2文獻(xiàn)綜述
8.3數(shù)據(jù)與樣本構(gòu)建
8.4推斷企業(yè)文化
8.5檢驗(yàn)結(jié)果
8.6結(jié)論
第9章能源期貨交易的機(jī)器學(xué)習(xí)與事件檢測(cè)
9.1導(dǎo)讀
9.2數(shù)據(jù)說明
9.3模型框架
9.4表現(xiàn)
9.5結(jié)論
第10章財(cái)經(jīng)新聞中的自然語言處理
10.1導(dǎo)讀
10.2新聞數(shù)據(jù)來源
10.3實(shí)際應(yīng)用
10.4自然語言處理
10.5數(shù)據(jù)及方法論
10.6結(jié)論
第11章基于支持向量機(jī)的全球戰(zhàn)術(shù)性資產(chǎn)配置
11.1導(dǎo)讀
11.2過去50年的全球戰(zhàn)術(shù)性資產(chǎn)配置
11.3經(jīng)濟(jì)學(xué)文獻(xiàn)中的支持向量機(jī)
11.4基于支持向量回歸的全球戰(zhàn)術(shù)性資產(chǎn)配置策略
11.5結(jié)論
第12章金融中的強(qiáng)化學(xué)習(xí)
12.1導(dǎo)讀
12.2馬爾科夫決策過程：決策的一般框架
12.3理性及決策的不確定性
12.4均值-方差的等價(jià)性
12.5回報(bào)
12.6組合價(jià)值與財(cái)富
12.7具體案例
12.8結(jié)論與進(jìn)一步的工作
第13章金融深度學(xué)習(xí)，基于LSTM網(wǎng)絡(luò)的股票收益預(yù)測(cè)
13.1導(dǎo)讀
13.2相關(guān)工作
13.3金融市場(chǎng)的時(shí)間序列分析
13.4深度學(xué)習(xí)
13.5循環(huán)神經(jīng)網(wǎng)絡(luò)
13.6長(zhǎng)短期記憶網(wǎng)絡(luò)
13.7金融模型
13.8結(jié)論
附錄
參考文獻(xiàn)
譯者簡(jiǎn)介