金融机器学习和数据科学实践

　　目录
　　前言 . 1
　　第一部分 框架
　　第1 章 金融机器学习简介 .11
　　1.1 金融机器学习应用的现状和前景 .12
　　1.1.1 算法交易 .12
　　1.1.2 投资组合管理和智能投顾 12
　　1.1.3 欺诈检测 .12
　　1.1.4 贷款、信用卡和保险审核 13
　　1.1.5 自动化和聊天机器人.13
　　1.1.6 风险管理 .14
　　1.1.7 资产价格预测 14
　　1.1.8 衍生品定价 14
　　1.1.9 情感分析 .14
　　1.1.10 金融资产结算 .15
　　1.1.11 反洗钱 15
　　1.2 机器学习、深度学习、人工智能和大数据 .15
　　1.3 机器学习类型 .17
　　1.3.1 监督学习 .17
　　1.3.2 无监督学习 18
　　1.3.3 强化学习 .19
　　1.4 自然语言处理 .20
　　1.5 小结 .21
　　第2 章 用Python 开发机器学习模型  23
　　2.1 为什么用Python 23
　　2.2 Python 机器学习包 24
　　2.3 Python 生态系统的模型开发步骤 .26
　　2.4 小结 .41
　　第3 章 人工神经网络 . 43
　　3.1 人工神经网络：架构、训练和超参数 44
　　3.1.1 架构 44
　　3.1.2 训练 46
　　3.1.3 超参数 48
　　3.2 用Python 建人工神经网络模型 .52
　　3.2.1 安装Keras 等机器学习包52
　　3.2.2 提高人工神经网络模型运行速度：GPU 和云服务 55
　　3.3 小结 .57
　　第二部分 监督学习
　　第4 章 监督学习：模型和概念  61
　　4.1 监督学习模型概览 62
　　4.1.1 线性回归（普通最小二乘法） .64
　　4.1.2 正则化回归 66
　　4.1.3 对数概率回归 69
　　4.1.4 支持向量机 70
　　4.1.5 k 近邻 72
　　4.1.6 线性判别分析 74
　　4.1.7 分类回归树 75
　　4.1.8 集成模型 .77
　　4.1.9 人工神经网络模型 .83
　　4.2 模型性能 85
　　4.2.1 过拟合和欠拟合 85
　　4.2.2 交叉检验 .87
　　4.2.3 评估指标 .88
　　4.3 模型选择 92
　　4.3.1 影响模型选择的因素.92
　　4.3.2 模型取舍 .94
　　4.4 小结 .94
　　第5 章 监督学习：回归（含时间序列模型）  97
　　5.1 时间序列模型 100
　　5.1.1 拆解时间序列 .100
　　5.1.2 自相关性和平稳性 102
　　5.1.3 传统时间序列模型（包括ARIMA 模型）104
　　5.1.4 时间序列建模的深度学习方法 106
　　5.1.5 为监督学习模型调整时间序列数据 109
　　5.2 案例研究1：股价预测  110
　　5.3 案例研究2：衍生品定价 130
　　5.4 案例研究3：投资者风险容忍度和智能投顾 142
　　5.5 案例研究4：收益率曲线预测 .158
　　5.6 小结 167
　　5.7 练习 168
　　第6 章 监督学习：分类 . 169
　　6.1 案例研究1：欺诈检测 171
　　6.2 案例研究2：预测借款拖欠概率 185
　　6.3 案例研究3：比特币交易策略 .199
　　6.4 小结  211
　　6.5 练习  211
　　第三部分 无监督学习
　　第7 章 无监督学习：降维 . 215
　　7.1 降维技术 .217
　　7.1.1 主成分分析 .217
　　7.1.2 核主成分分析 .221
　　7.1.3 t-SNE221
　　7.2 案例研究1：投资组合管理：寻找特征组合 222
　　7.3 案例研究2：收益率曲线构造和利率建模 237
　　7.4 案例研究3：比特币交易：提高速度和准确率 248
　　7.5 小结 257
　　7.6 练习 257
　　第8 章 无监督学习：聚类 . 259
　　8.1 聚类技术 .261
　　8.1.1 k 均值聚类 261
　　8.1.2 层次聚类 262
　　8.1.3 亲和力传播聚类 264
　　8.2 案例研究1：配对交易聚类 265
　　8.3 案例研究2：投资组合管理：投资者聚类 282
　　8.4 案例研究3：层次风险平价 291
　　8.5 小结 301
　　8.6 练习 301
　　第四部分 强化学习和自然语言处理
　　第9 章 强化学习  305
　　9.1 强化学习的理论和概念 307
　　9.1.1 强化学习建模框架 312
　　9.1.2 强化学习模型 .317
　　9.1.3 强化学习的主要挑战322
　　9.2 案例研究1：用强化学习实现交易策略 .322
　　9.3 案例研究2：衍生品对冲 341
　　9.4 案例研究3：投资组合分配 359
　　9.5 小结 370
　　9.6 练习 370
　　第10 章 自然语言处理  371
　　10.1 Python 的NLP 库 373
　　10.1.1 NLTK 库 .373
　　10.1.2 TextBlob 库 374
　　10.1.3 spaCy 库 .374
　　10.2 NLP 理论和概念 374
　　10.2.1 预处理 .375
　　10.2.2 特征表示 381
　　10.2.3 推断 385
　　10.3 案例研究1：用NLP 和情感分析技术实现交易策略 . 388
　　10.4 案例研究2：聊天机器人数字助理 . 411
　　10.5 案例研究3：文档摘要 .421
　　10.6 小结 428
　　10.7 练习 429

　　Hariom Tatsat现任纽约投行量化分析部副总。Hariom 拥有丰富的预测建模、金融工具定价和风险管理经验。
　　Sahil Puri 是一名量化研究员。Sahil曾用多种统计和机器学习技术解决各种问题。
　　Brad Lookabaugh现任Unison Investment Management副总，负责投资组合管理。

　　·用监督学习回归模型开发算法交易策略和衍生品定价模型。
　　·用监督学习分类模型预测信货违约概率，检测欺诈行为。
　　·用降维技术解决投资组合管理和收益率曲线构造问题。
　　·为实现交易策略和管理投资组合，用降维和聚类技术寻找相似资产。
　　·用强化学习模型和技术开发交易策略、衍生品对冲策略，管理投资组合。
　　·用NLTK和scikit-learn等Python库解决金融领域自然语言处理问题。