面向資產管理者的機器學習 Machine Learning for Asset Managers

馬科斯·M.洛佩斯·德普拉多，美國勞倫斯·伯克利國家實驗室研究員、康奈爾大學電氣與計算機工程學院教授，擁有金融經濟學和數學金融學博士學位。正確積極技術公司（TPT）首席信息官，阿布紮比投資局（ADIA）量化研究與開發業務的全球負責人。20多年來致力於利用機器學習算法和超級計算機的開發來制定投資策略的研究工作。撰寫了數十篇頗具影響力的機器學習和算法研究的論文，著有《金融機器學習》等書。因其卓越的研究，2019年被《投資組合管理雜志》評為“年度量化分析師”。

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   查準率和召回率 
8.3   重複測試下的查準率和召回率 
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