Machine Learning in Finance- From Theory to Practice-Springer (2020)¶

作者: Matthew F. Dixon, Igor Halperin, Paul Bilokon
出版社: Springer
出版年份: 2020
格式: PDF
难度: ⭐⭐⭐⭐
推荐指数: ⭐⭐⭐⭐⭐
下载: 点击下载

内容简介¶

本书详细介绍了Machine Learning in Finance- From Theory to Practice-Springer (2020)相关的核心概念和实践方法。本书深入探讨了金融领域的机器学习方法，统一处理了机器学习与量化金融中的各种统计和计算学科，如金融计量经济学和离散时间随机控制。书中强调了理论和假设检验如何指导金融数据建模和决策算法的选择。

全书分为三个部分，每部分都涵盖了理论和应用。第一部分介绍了监督学习在横截面数据中的应用，包括贝叶斯和频率论视角，并重点讲解了神经网络（包括深度学习）和高斯过程，并提供了投资管理和衍生品建模的实例。第二部分探讨了监督学习在时间序列数据中的应用，这是金融领域最常见的数据类型，涵盖了交易、随机波动率和固定收益建模等示例。第三部分则介绍了强化学习及其在交易、投资和财富管理中的应用。书中还提供了Python代码示例，以帮助读者理解方法论和应用，并包含80多个数学和编程练习。

主要特点¶

理论基础扎实
实践案例丰富
操作指导清晰
适合实际应用

适合人群¶

量化分析师
算法交易员
金融工程师
数据科学家