金融机器学习和数据科学实践

本书主要内容有：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。

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Python23
2.2Python机器学习包24
2.3Python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
4.1.5k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
……