机器学习与资产定价
全新正版 极速发货
￥ 53.11 5.3折 ￥ 100 全新
库存39件
广东广州
认证卖家担保交易快速发货售后保障
作者(美)斯蒂芬·内格尔
出版社电子工业出版社
ISBN9787121434365
出版时间2022-07
装帧精装
开本32开
定价100元
货号1202672972
上书时间2024-06-04
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"Stefan Nagel
芝加哥大学布斯商学院Fama Family Distinguished Service金融学教授。他是Journal of Finance的执行主编，以及美国国家经济研究局（NBER）、欧洲经济政策研究中心（CEPR）和慕尼黑经济研究中心（CESIfo）的研究员。
译者简介
王熙
北京大学经济学院研究员、助理教授、博士生导师；北京大学大数据分析与应用技术国家工程实验室研究员；武汉大学学士，圣路易斯华盛顿大学硕士、博士；主要研究方向为资产定价、宏观金融以及强化学习与机器学习的交叉学科应用。
石川
北京量信投资管理有限公司创始合伙人；清华大学学士、硕士，麻省理工学院博士；因子投资中文版首著《因子投资：方法与实践》领衔作者；知名期刊Computers in Industry编委会委员；曾就职于Citigroup、Oracle及P&G。石川博士精通统计建模方法，擅长以金融数学分析为手段进行资产配置、风险管理、量化多因子模型以及衍生品CTA策略的开发。其主理的量化投资公众号“川总写量化”受到了学界和业界的高度认可。"
目录
第1 章 引言 1
1.1 实证资产定价中的特设稀疏性假设. . . . . . . . . . . . . . . . . . . . 3
1.2 理论资产定价中的特设稀疏性假设. . . . . . . . . . . . . . . . . . . . 5
1.3 机器学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 术语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 监督学习和无监督学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 本书的局限性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7 本书的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
第2 章 监督学习 16
2.1 将监督学习视为函数逼近问题. . . . . . . . . . . . . . . . . . . . . . . 16
2.2 回归方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 线性方法：岭回归和Lasso . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 树方法和随机森林. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 神经网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 超参数调优. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 贝叶斯解释. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
第3 章 资产定价中的监督学习 46
3.1 例子：截面股票收益率预测. . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 预测性能评价. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 正则化与投资表现. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4 预期收益率与协方差的关联. . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 通过构建投资组合估计协方差矩阵. . . . . . . . . . . . . . . . . . . . 82
3.6 非线性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.8 结构性变化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.9 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
第4 章 机器学习与截面资产定价 97
4.1 基于公司特征因子的资产定价. . . . . . . . . . . . . . . . . . . . . . . 100
4.2 监督学习视角. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1 收缩估计量. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2.2 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.3 数据驱动的超参选择. . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3 实证分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.3.1 50 个异象特征的实证结果. . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3.2 WRDS 财务比例的实证结果. . . . . . . . . . . . . . . . . . . . . . . 123
4.3.3 特征之间的交互作用. . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4 样本外资产定价检验. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.5 相关最新研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.6 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
第5 章 投资者信念形成的机器学习模型 142
5.1 资产市场. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.1.1 投资者. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.1.2 定价. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.1.3 基于计量经济学的观测者视角. . . . . . . . . . . . . . . . . . . . . . 150
5.2 投资者学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
5.2.1 OLS 学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.2.2 带有信息先验的贝叶斯学习. . . . . . . . . . . . . . . . . . . . . . . . 157
5.3 收益率可预测性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.1 样本内收益率可预测性. . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.3.2 （不存在）样本外收益率可预测性. . . . . . . . . . . . . . . . . . . 168
5.4 扩展研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.1 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.2 额外的收缩和稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.5 对实证研究的启示. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.6 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
第6 章 研究议程 180
6.1 描述投资机会的特征. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.1 机器学习的经济学约束. . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.2 非线性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
6.1.3 结构性变化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.2 资产需求分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.1 需求系统估计. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.2 预期的形成. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.3 机器学习的理论应用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.1 有限理性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.2 投资者的异质性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.4 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
附录A 部分公式推导 201
参考文献 210
索引 217
内容摘要
本书从资产定价的核心问题出发，前沿而体系化地讨论了如何通过经济学推理将机器学习方法引入实证和理论资产定价研究之中，从而有效解决机器学习应用在资产定价中所面临的挑战，搭建了研究机器学习与资产定价的桥梁。为提升阅读体验，帮助读者充分理解书中内容，译者王熙教授与石川博士在行文中加入了精彩丰富的译者注，给原著提供必要的背景知识，从而帮助读者更好地掌握书中的行文逻辑。其中，为本书补充的诸多公式推导过程也能帮助读者加深对贝叶斯统计框架的理解。
主编推荐
"“您能否列举出一家国内外的对冲基金是靠机器学习算法挣钱的？”
几年前，对于某些对冲基金来说，机器学习或许还是“不能说的秘密”。但现在看来，机器学习几乎已经成为行业的共识。
接近没有使用过任何机器学习技术的头部量化对冲基金已经不存在。事实上，机器学习的相关人才在金融相关的就业市场上早已趋之若鹜。
在投资领域，机器学习与资产定价的有效结合，助推了量化投资的发展。量化基金已经逐渐跻身投资市场的主流，很好的量化机构也都形成了自己鲜明的特色，而其背后都是海量的数据和神秘的模型。当下，以数据为基础的机器学习策略，不仅更具吸引力和成本效益，而且成为竞争优势的关键来源。
通过经济学推理将机器学习方法引入实证和理论资产定价，无论对学界理论研究还是对业界投资务实，都具有深远影响。以人工智能、机器学习并结合复杂网络为科学基础的资产定价理论与应用，对中国这个快速发展且具有高度复杂性的资本市场的规律把握具有先天的优势与必要性。
《机器学习与资产定价》就是对以上前沿挑战的描述和解答。
本书作者为芝加哥大学Stefan Nagel教授，他是资产定价领域的领军学者。中文版译者为北京大学王熙教授和麻省理工学院石川博士，他们是该领域学界和业界很好的研究人员和从业者。芝加哥大学布斯商学院修大成教授以及嘉实基金董事总经理、首席科学家、AI投资总监张自力博士为中文版撰写了精彩的推荐序。
本书还得到了哈佛大学、普林斯顿大学、耶鲁大学、芝加哥大学、加州大学、清华大学、北京大学、中国人民大学和嘉实基金、易方达基金等学界/业界大咖的鼎力推荐。"
媒体评论
"我很难列举出一家头部的量化对冲基金至今还接近没有使用过任何机器学习的技术。事实上，机器学习的相关人才在金融相关的就业市场上早已趋之若鹜。
本书的原著从资产定价的角度出发，介绍了机器学习的方法论，并辅以详细的数据实证，为经济金融背景的读者们提供了机器学习方法论的优选诠释，同时也为已经具备统计与机器学习基础的读者们提供了经济学直观，明确了未来资产定价领域这个分支的发展方向。中译本在此基础上添加了王熙与石川两位博士的译者注，为本书的读者提供了精彩的背景知识和逻辑推导，我相信广大中国读者会和我一样从本书中获益良多！
——修大成 芝加哥大学
在我看过这本书的中文译稿之后，深感这是一本、值得金融人士进一步探索前沿研究及应用的好书。本书深入浅出，构建了机器学习与资产定价的桥梁。我真诚地祝愿每一位读者都能从阅读此书中有所收获、有所启发！
——张自力 嘉实基金董事总经理、首席科学家、AI投资总监
资产收益率预测是一个复杂的高维问题，而机器学习方法在这个问题上的前景令人期待。然而，如果不是 Stefan Nagel 在本书中如此清晰和直观地阐述出深刻的经济学和统计学推理，上述前景则难以实现。对于金融学者以及量化投资者来说，Machine Learning in Asset Pricing 是一本不可或缺的参考书。
——John Y. Campbell 哈佛大学
这本令人愉悦的、简洁且内容丰富的书通过机器学习的视角提供了对资产定价模型的及时见解。对于任何有兴趣深入了解该领域的人来说，它都是一份很好重要的基础资料。
——范剑青 普林斯顿大学
Stefan Nagel 富有见解地介绍了基于机器学习的资产定价这一新兴且快速增长的领域。他透过专业视角将复杂的方法与它们适用的理论金融问题联系起来。对于那些希望利用强大的机器学习工具提高金融研究和实践水平的人来说，这本书是一个宝贵的资源。
——Bryan Kelly 耶鲁大学
低信噪比和结构变化给成功应用机器学习方法预测证券价格带来了严峻的挑战。利用来自资产定价模型和投资组合分析的先验知识，人们能够以改善机器学习在资产定价中的表现为目标来指导训练以及正则化过程。在这方面，这本书极富说服力。
——Allan Timmermann 加州大学圣地亚哥分校"
— 没有更多了 —
以下为对购买帮助不大的评价