面向資產管理者的機器學習

本書面向廣大資產管理者和各類研究人員，基於機器學習和人工智慧，指明從一個投資理念和理論到成功的投資策略具體實施的量化途徑。作者認為一個缺乏理論依據的投資策略很可能是錯誤的。為此，資產管理者應致力於發展理論，而不僅是回測潛在的交易規則。本書就是從幫助資產管理者發現經濟和金融理論的角度出發，介紹機器學習的工具。

機器學習不是一個黑匣子，也不一定會過擬合。機器學習的工具與經典統計方法是互補關係而不是替代關係。本書認為機器學習的一些優點包括：注重樣本外的可預測性，而不是樣本內的方差判斷；使用計算方法避免依賴一些（或許不切實際的）假設；能夠“學習”複雜的規範，包括高維空間中的非線性、分層和非連續的交互效應；能夠將變數搜索與設定搜索分離，並能很好地防止多重線性和其他替代效應。

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 差異資訊
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 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 金融標注
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 元標注
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 變數重要性
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 嵌套聚類優化演算法
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 合成資料測試
附錄B 錯誤策略定理的證明
參考書目
參考文獻

馬科斯·M.洛佩斯·德普拉多美國勞倫斯·伯克利實驗室研究員、康奈爾大學電氣與電腦工程學院教授，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）首席資訊官，阿布達比投資局（ADIA）量化研究與開發業務的負責人。20多年來致力於利用機器學習演算和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演算法研究的論文，著有《金融機器學習》等書。因其的研究，2019年被《投資組合管理雜誌》評為“年度量化分析師”。