面向资产管理者的机器学习

　　本书面向广大资产管理者和各类研究人员，基于机器学习和人工智能，指明从一个投资理念和理论到成功的投资策略具体实施的量化途径。作者认为一个缺乏理论依据的投资策略很可能是错误的。为此，资产管理者应致力于发展理论，而不仅是回测潜在的交易规则。本书就是从帮助资产管理者发现经济和金融理论的角度出发，介绍机器学习的工具。机器学习不是一个黑匣子，也不一定会过拟合。机器学习的工具与经典统计方法是互补关系而不是替代关系。本书认为机器学习的一些优点包括：注重样本外的可预测性，而不是样本内的方差判断；使用计算方法避免依赖一些（或许不切实际的）假设；能够“学习”复杂的规范，包括高维空间中的非线性、分层和非连续的交互效应；能够将变量搜索与设定搜索分离，并能很好地防止多重线性和其他替代效应。

　　马科斯·M.洛佩斯·德普拉多 美国劳伦斯·伯克利国家实验室研究员、康奈尔大学电气与计算机工程学院教授，拥有金融经济学和数学金融学博士学位。正确积极技术公司（TP T）首席信息官，阿布扎比投资局（ADIA）量化研究与开发业务的全球负责人。20多年来致力于利用机器学习算法和超级计算机的开发来制定投资策略的研究工作。撰写了数十篇颇具影响力的机器学习和算法研究的论文，著有《金融机器学习》等书。因其卓越的研究，2019年被《投资组合管理杂志》评为“年度量化分析师”。

中文版序
1 引 言
1.1 动机
1.2 理论很重要
1.3 如何科学地运用机器学习
1.4 过拟合的两种类型
1.5 提纲
1.6 受众
1.7 关于金融机器学习的五个常见误解
1.8 金融研究的未来
1.9 常见问题
1.10 结论
1.11 习题

2 降噪和降调
2.1 动机
2.2 Marcenko-Pastur定理
2.3 带信号的随机矩阵
2.4 拟合Marcenko-Pastur分布
2.5 降噪
2.6 降调
2.7 实验结果
2.8 结论
2.9 习题

3 距离度量
3.1 动机
3.2 基于相关性的度量
3.3 边际熵和联合熵
3.4 条件熵
3.5 Kullback-Leibler散度
3.6 交叉熵
3.7 互信息
3.8 差异信息
3.9 离散化
3.10 两个划分之间的距离
3.11 实验结果
3.12 结论
3.13 习题

4 最优聚类
4.1 动机
4.2 相似度矩阵
4.3 聚类的类型
4.4 类集的个数
4.5 实验结果
4.6 结论
4.7 习题

5 金融标注
5.1 动机
5.2 固定区间法
5.3 三重阻碍法
5.4 趋势扫描法
5.5 元标注
5.6 实验结果
5.7 结论
5.8 习题

6 特征重要性分析
6.1 动机
6.2 p值
6.3 变量重要性
6.4 概率加权准确度
6.5 替代效应
6.6 实验结果
6.7 结论
6.8 习题

7 组合构建
7.1 动机
7.2 凸组合优化
7.3 条件数
7.4 Markowitz的诅咒
7.5 信号作为协方差不稳定性的来源
7.6 嵌套聚类优化算法
7.7 实验结果
7.8 结论
7.9 习题

8 测试集过拟合
8.1 动机
8.2 查准率和召回率
8.3 重复测试下的查准率和召回率
8.4 夏普比率
8.5 错误策略定理
8.6 实验结果
8.7 收缩夏普比率
8.8 家族错误率
8.9 结论
8.10 习题
附录A 合成数据测试
附录B 错误策略定理的证明
参考书目
参考文献