金融与财务机器学习
正版保障 假一赔十 可开发票
￥ 57.14 6.4折 ￥ 89 全新
库存23件
广东广州
认证卖家担保交易快速发货售后保障
作者姜富伟，唐国豪，马甜编著
出版社机械工业出版社
ISBN9787111741145
出版时间2024-03
装帧平装
开本16开
定价89元
货号15613757
上书时间2024-09-17
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录 前 言 第一章 金融与财务领域的机器学习1 第一节 机器学习的基本介绍1 一、机器学习的历史2 二、机器学习的分类5 三、机器学习的思想6 四、机器学习的要素8 五、机器学习的步骤9 六、机器学习与传统编程10 第二节 机器学习在金融与财务领域的应用特性11 一、金融与财务对机器学习的需求性11 二、机器学习的优势13 三、机器学习可能面临的挑战14 第三节 机器学习在金融与财务领域的应用现状18 第二章 Python软件使用简介23 第一节 Python入门23 一、Python简介23 二、Python安装24 三、Python使用25 四、Python基础知识26 第二节 Python数据处理程序包37 一、多维数组Numpy37 二、面板处理Pandas42 三、科学计算SymPy49 四、统计分析Statsmodels53 五、金融计量Linearmodels55 第三节 Python机器学习程序包58 一、机器学习58 二、深度学习62 第三章 金融与财务大数据的处理与分析64 第一节 大数据时代64 一、理解大数据64 二、金融大数据65 三、本章概览65 第二节 金融与财务数据资源65 一、国泰安中国经济金融研究数据库65 二、万得资讯67 三、中国研究数据服务平台68 四、证券价格研究中心(CRSP)70 五、公开数据源72 六、文献数据源77 第二节 描述性统计88 一、中心趋势性88 二、分散性89 三、对称性和厚尾性89 四、持续性90 五、相关性90 第三节 数据预处理93 一、缺失值处理93 二、异常值处理94 三、标准化处理96 第四节 特征工程97 一、特征工程简介97 二、特征选择97 第四章 因子与因子模型103 第一节 因子与因子模型简介103 一、金融与财务因子与因子模型简介103 二、从单因子模型到多因子模型104 第二节 Alpha与市场异象106 一、Alpha收益106 二、资产价格异象107 第三节 多因子模型的新发展108 一、因子检验的一般流程108 二、Fama-French五因子模型109 三、Hou-Xue-Zhang的q-因子模型110 四、Stambaugh-Yuan错误定价因子模型111 五、Liu-Stambaugh-Yuan的CH-3模型113 第四节 因子分类114 一、常见的因子分类114 二、其他特色因子119 第五节 因子模型的研究挑战121 一、因子时变性121 二、因子有效性识别122 三、因子研究的近况与挑战123 第五章 因子模型的估计、检验与解释126 第一节 因子模型检验概述126 第二节 组合分析法128 一、单变量组合分析129 二、双变量组合分析132 三、三变量组合分析135 第三节 因子模拟组合法136 一、排序分组法137 二、方差最小化法137 第四节 时间序列回归法139 一、Alpha检验140 二、GRS检验140 第五节 Fama-MacBeth回归法141 一、Fama-MacBeth两阶段回归141 二、Fama-MacBeth三阶段回归143 第六节 解释因子模型146 一、风险补偿146 二、错误定价147 三、数据挖掘149 第六章 金融资产收益预测154 第一节 资产收益的可预测性154 一、资产收益可预测性的讨论154 二、资产收益可预测性的解释156 第二节 样本内预测158 一、方差比检验158 二、样本内预测159 三、预测模型面临的挑战162 四、新的金融预测方法162 第三节 样本外预测163 一、样本外预测的统计量163 二、投资价值评估165 三、其他预测方法166 第四节 预测指标的选择167 一、宏观经济指标168 二、估值与财务指标168 三、情绪指标169 四、技术面指标170 五、波动率指标170 第五节 Campbell-Shiller现金流折现率分解171 一、来源与推导171 二、进一步讨论173 第七章 包含惩罚项的线性回归模型177 第一节 最小二乘法线性回归模型177 一、线性回归177 二、OLS模型的基本原理178 三、OLS模型的应用179 第二节 岭回归182 一、岭回归的提出182 二、岭回归的基本原理182 三、岭回归的变量选择特征184 四、岭回归的调节参数选择184 第三节 LASSO模型188 一、LASSO模型的提出188 二、LASSO模型的基本原理188 三、LASSO模型的变量选择特征189 四、LASSO模型的扩展192 五、LASSO模型的应用193 第四节 弹性网络194 一、弹性网络的提出194 二、弹性网络的基本原理194 三、弹性网络的变量选择特征195 第五节 金融应用与Python实现197 一、问题与数据描述197 二、实验7-1 OLS回归200 三、实验7-2 岭回归203 四、实验7-3 LASSO回归208 五、实验7-4 弹性网络212 第八章 数据降维模型220 第一节 如何处理高维数据220 一、维数灾难问题220 二、降维方法简介221 三、降维方法的分类223 第二节 主成分分析224 一、主成分分析的原理224 二、主成分分析的算法和步骤225 三、主成分分析的评价226 四、主成分分析的发展:工具变量主成分分析226 五、主成分分析的发展:调整主成分分析227 六、在金融中的应用229 第三节 偏最小二乘法232 一、偏最小二乘回归的原理232 二、偏最小二乘法的算法和步骤233 三、偏最小二乘回归的评价234 四、在金融中的应用234 第四节 自编码模型235 一、自编码模型的原理235 二、条件变分自编码模型236 三、变分自编码模型237 第五节 聚类分析238 一、聚类分析简介238 二、K-means算法239 第六节 金融应用与Python实现240 一、问题与数据描述240 二、实验8-1 利用PCA对中国市场波动率建模248 三、实验8-2 利用PLS对美国市场波动率建模254 四、实验8-3 利用PCA与PLS对中国GDP数据建模259 第九章 树形模型与分类模型271 第一节 逻辑回归271 一、逻辑回归简介272 二、逻辑回归的步骤272 三、在金融中的应用273 第二节 树形模型的发展历史274 第三节 决策树276 一、树形模型的基本概念276 二、树形模型的度量指标277 三、树形模型的剪枝处理281 四、 CART模型282 五、在金融中的应用283 第四节 Boosting算法284 一、集成学习的基本概念284 二、 Boosting算法基本原理284 三、 AdaBoost模型285 四、 GBDT模型286 五、 XGboost模型287 六、在金融中的应用289 第五节 Bagging算法290 一、 Bagging算法基本原理290 二、随机森林模型291 三、在金融中的应用293 第六节 金融应用与Python实现296 一、问题与数据描述296 二、实验9-1 GBDT模型预测中国宏观变量通货膨胀297 三、实验9-2 随机森林模型预测中国宏观变量通货膨胀306 四、实验9-3 GBDT模型预测美国宏观变量通货膨胀315 五、实验9-4 随机森林模型预测美国宏观变量通货膨胀323 第十章 神经网络模型334 第一节 神经网络的发展历史334 第二节 神经网络的基本单元和模型336 一、基本单元336 二、基本模型337 三、多层感知器338 第三节 神经网络的模型训练339 一、梯度下降法339 二、 BP算法340 三、梯度下降法的种类341 四、模型训练中的常见问题342 五、模型参数的设定342 第四节 神经网络的发展1:卷积神经网络和循环神经网络344 一、卷积神经网络(Convolutional Neural Network,CNN)344 二、循环神经网络(Recurrent Neural Network,RNN)345 三、在金融中的应用346 第五节 神经网络的发展2:生成式对抗网络349 一、基本概念与框架349 二、在金融中的应用350 第六节 神经网络的发展3:深度强化学习354 一、强化学习354 二、深度强化学习356 三、在金融中的应用357 第七节 金融应用与Python实现359 一、实验10-1 神经网络模型预测中国股票市场收益359 二、实验10-2 神经网络模型预测美国股票市场收益363 第十一章 模型评估、训练与可解释性370 第一节 模型评估的相关概念370 一、偏差-方差370 二、泛化误差371 三、过拟合和欠拟合373 第二节 模型评估指标375 一、回归模型评估指标375 二、分类模型评估指标379 第三节 模型训练与测试381 一、留出法381 二、 K折交叉验证法382 三、留一法384 &nbs
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价