机器学习与资产定价

　　本书系统性地介绍了资产定价和机器学习算法的基础理论与实践知识，并以机器学习算法应用于中国股票市场资产收益率预测项目为案例，具体展示了机器学习算法落地应用于中国金融业界的流程和效果。本书主要内容包括资产定价基础方法、机器学习算法评估知识、线性机器学习模型、回归树类机器学习模型、神经网络模型、中国股票市场制度背景、机器学习项目的数据清洗过程和机器学习项目的实践案例。本书在写作过程中尽可能地减少专业词汇，使内容通俗易懂。本书适合高校中高年级本科生、研究生和对从事量化金融感兴趣的人阅读。

　　吴辉航，博士，清华大学五道口金融学院博士后。2018年获上海财经大学经济学博士学位，在校期间曾获“上海财经大学学术之星”“博士研究生国家奖学金”。主要研究领域为财税政策、资产定价、机器学习和金融科技。在Small Business Economics、International Review of Finance、Emerging Markets Finance and Trade、《经济研究》、《数量经济技术经济研究》等重要期刊发表学术论文十余篇。魏行空，中信建投证券总部机构业务部算法交易组高级经理。先后毕业于中央财经大学和瑞士苏黎世大学，获得经济学硕士学位。主要从事算法交易和高频量化分析、机器学习算法在高频交易中的应用等研究。张晓燕，清华大学五道口金融学院副院长、鑫苑金融学讲席教授，世界经济论坛未来理事会委员，上海证券交易所高级金融专家，亚洲金融与经济研究局（ABFER）高级研究员。曾任证监会第十七届发行审核委员会委员。北京大学经济学学士、哥伦比亚商学院金融学博士（优秀荣誉毕业生）。主要研究领域为国际金融、实证资产定价、金融科技和中国资本市场。

第一章引言： 为什么资产定价需要机器学习

第一节资产定价的核心问题： 为什么不同的资产会有
不同的收益

第二节当资产定价遇到机器学习

第三节相关学术文献介绍

第四节相关业界应用场景

参考文献

第二章资产定价的核心问题： 股票预期收益率

第一节投资组合分析

第二节因子投资

第三节中国因子模型

第四节异象性因子的检验

参考文献

第三章机器学习模型评估

第一节过拟合与欠拟合

第二节偏差和方差的权衡

第三节回归问题机器学习模型的评价指标

第四节机器学习的超参数调校

第四章机器学习模型Ⅰ： 线性模型

第一节多元线性模型

第二节带惩罚项的线性模型

第三节降维视角的线性模型

第五章机器学习模型Ⅱ： 回归树模型

第一节回归树

第二节随机森林

第三节梯度提升树



第六章机器学习模型Ⅲ： 神经网络模型

第一节神经网络模型介绍

第二节激活函数

第三节优化算法

第四节神经网络的训练

第五节全连接神经网络模型的代码实现

参考文献

第七章理解机器学习在中国股票市场应用的
制度背景

第一节中国股票市场概述

第二节中国股票市场重要制度

第三节中国股票市场特殊制度

第八章为机器学习模型准备数据

第一节数据来源与样本选择

第二节股票收益率数据分析

第三节财务数据处理

第四节数据预处理步骤

第五节实证中使用的股票特征变量构造介绍

参考文献

第九章机器学习在中国金融市场中的实证应用

第一节机器学习模型有效性验证： 蒙特卡洛模拟
方法

第二节机器学习算法在中国A股市场的实证结果

第三节IPCA模型在中国A股市场的实证结果

参考文献

第十章结语与未来展望

第一节机器学习模型与另类数据

第二节机器学习模型与其他资产定价问题

参考文献