大數(shù)據(jù)、機器學習與量化投資

定　價：￥99.00

作　者：	托尼·吉達
出版社：	中信出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787521755640	出版時間：	2023-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　以從業(yè)者視角探討如何在金融領(lǐng)域有效運用大數(shù)據(jù)和機器學習。近年來，機器學習和數(shù)據(jù)科學在投資中發(fā)揮著越來越大的作用。借助機器學習和大數(shù)據(jù)，投資經(jīng)理能夠做出以往傳統(tǒng)模型無法實現(xiàn)的預測，進而做出明智的決策。然而，并不是所有的數(shù)據(jù)集和機器學習技術(shù)都對金融投資有用，也不是所有的機器學習技術(shù)都可以“即插即用”?！洞髷?shù)據(jù)、機器學習與量化投資》這本書由資深量化分析專家托尼·吉達主編，匯集了多位業(yè)內(nèi)頗具影響力的專家學者的前沿分享，闡釋如何應(yīng)用機器學習和大數(shù)據(jù)技術(shù)來解決投資問題并提高投資績效。這本書共有13章，理論嚴謹，案例豐富，內(nèi)容涵蓋機器學習在投資管理中的應(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、強化學習和深度學習在投資組合優(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、高等院校計算機專業(yè)和金融工程專業(yè)的師生以及機器學習愛好者的參考用書。

作者簡介

　　托尼·吉達，倫敦一家老牌養(yǎng)老基金的資深量化投資基金經(jīng)理，負責管理多因子股票投資組合。在此之前，曾在EDHEC RISK Scientific Beta 擔任高級顧問，負責聰明貝塔和風險配置，就如何構(gòu)建和配置風險溢價向資產(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，擔任高級研究分析師。他曾是Minimum Variance Strategies研究和投資委員會的成員，負責領(lǐng)導機構(gòu)客戶因子投資研究小組。他擁有法國薩沃伊大學計量經(jīng)濟學和金融學學士和碩士學位。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“機器學習應(yīng)用于量化投資”的研討會。

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導讀
1.2重復或是重塑
1.3用機器學習重塑投資
1.4信任問題
1.5經(jīng)濟存在主義∶一項宏大設(shè)計抑或一次偶然事件
1.6這一系統(tǒng)究竟是什么
1.7動態(tài)預測與新方法論
1.8基本面因子、預測與機器學習
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導讀
2.2使用另類數(shù)據(jù)的驅(qū)動因素
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
2.8結(jié)論
第3章機器學習在投資管理中的應(yīng)用現(xiàn)狀
3.1導讀
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)系和人工智能的實施推動者
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導讀
4.2量化浩劫：激勵人們尋找另類數(shù)據(jù)
4.3利用好另類數(shù)據(jù)爆炸帶來的好處
4.4選擇要進行評估的數(shù)據(jù)源
4.5評估技術(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)建模方法與機器學習
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)預測公司銷售額
6.1導讀
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預測公司銷售額
6.5實時預測
6.6案例研究：亞馬遜銷售案例
第7章將集成學習應(yīng)用于量化股票：多因子框架中的梯度提升算法
7.1導讀
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導讀
8.2文獻綜述
8.3數(shù)據(jù)與樣本構(gòu)建
8.4推斷企業(yè)文化
8.5檢驗結(jié)果
8.6結(jié)論
第9章能源期貨交易的機器學習與事件檢測
9.1導讀
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章財經(jīng)新聞中的自然語言處理
10.1導讀
10.2新聞數(shù)據(jù)來源
10.3實際應(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章基于支持向量機的全球戰(zhàn)術(shù)性資產(chǎn)配置
11.1導讀
11.2過去50年的全球戰(zhàn)術(shù)性資產(chǎn)配置
11.3經(jīng)濟學文獻中的支持向量機
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章金融中的強化學習
12.1導讀
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-方差的等價性
12.5回報
12.6組合價值與財富
12.7具體案例
12.8結(jié)論與進一步的工作
第13章金融深度學習，基于LSTM網(wǎng)絡(luò)的股票收益預測
13.1導讀
13.2相關(guān)工作
13.3金融市場的時間序列分析
13.4深度學習
13.5循環(huán)神經(jīng)網(wǎng)絡(luò)
13.6長短期記憶網(wǎng)絡(luò)
13.7金融模型
13.8結(jié)論
附錄
參考文獻
譯者簡介