书名：面向资产管理者的机器学习
作者：(西)马科斯·M.洛佩斯·德普拉多
出版时间：2022年
内容提要:
本书面向广大资产管理者和各类研究人员，基于机器学习和人工智能，指明从一个投资理念和理论到成功的投资策略具体实施的量化途径。作者认为一个缺乏理论依据的投资策略很可能是错误的。为此，资产管理者应致力于发展理论，而不仅是回测潜在的交易规则。本书就是从帮助资产管理者发现经济和金融理论的角度出发，介绍机器学习的工具。机器学习不是一个黑匣子，也不一定会过拟合。机器学习的工具与经典统计方法是互补关系而不是替代关系。本书认为机器学习的一些优点包括：注重样本外的可预测性，而不是样本内的方差判断；使用计算方法避免依赖一些（或许不切实际的）假设；能够“学习”复杂的规范，包括高维空间中的非线性、分层和非连续的交互效应；能够将变量搜索与设定搜索分离，并能很好地防止多重线性和其他替代效应。
目录
中文版序
1 引 言
1.1 动机
1.2 理论很重要
1.3 如何科学地运用机器学习
1.4 过拟合的两种类型
1.5 提纲
1.6 受众
1.7 关于金融机器学习的五个常见误解
1.8 金融研究的未来
1.9 常见问题
1.10 结论
1.11 习题
2 降噪和降调
2.1 动机
2.2 Marcenko-Pastur定理
2.3 带信号的随机矩阵
2.4 拟合Marcenko-Pastur分布
2.5 降噪
2.6 降调
2.7 实验结果
2.8 结论
2.9 习题
3 距离度量
3.1 动机
3.2 基于相关性的度量
3.3 边际熵和联合熵
3.4 条件熵
3.5 Kullback-Leibler散度
3.6 交叉熵
3.7 互信息
3.8 差异信息
3.9 离散化
3.10 两个划分之间的距离
3.11 实验结果
3.12 结论
3.13 习题
4 聚类
4.1 动机
4.2 相似度矩阵
4.3 聚类的类型
4.4 类集的个数
4.5 实验结果
4.6 结论
4.7 习题
5 金融标注
5.1 动机
5.2 固定区间法
5.3 三重阻碍法
5.4 趋势扫描法
5.5 元标注
5.6 实验结果
5.7 结论
5.8 习题
6 特征重要性分析
6.1 动机
6.2 p值
6.3 变量重要性
6.4 概率加权准确度
6.5 替代效应
6.6 实验结果
6.7 结论
6.8 习题
7 组合构建
7.1 动机
7.2 凸组合优化
7.3 条件数
7.4 Markowitz的诅咒
7.5 信号作为协方差不稳定性的来源
7.6 嵌套聚类优化算法
7.7 实验结果
7.8 结论
7.9 习题
8 测试集过拟合
8.1 动机
8.2 查准率和召回率
8.3 重复测试下的查准率和召回率
8.4 夏普比率
8.5 错误策略定理
8.6 实验结果
8.7 收缩夏普比率
8.8 家族错误率
8.9 结论
8.10 习题
附录A 合成数据测试
附录B 错误策略定理的证明
参考书目
参考文献
在线试读：
1.3如何科学地运用机器学习
在对模型规范几乎没有人工指导的情况下，机器学习算法能够学习到高维空间中的复杂模式。机器学习模型不需要研究人员进行干预，这让很多人错误地认为机器学习一定是一个黑匣子。在这种观点中，机器学习仅仅是一个“神谕(oracle)”，是一个预测机器，无法从中提取出任何理论性解释。这对机器学习是一种误解，这种误解是由机器学习在工业界的广泛应用造成的，因为在这些应用中，对最佳预测结果的追求超过了对理论理解的需求。通过对最近科学研究突破的回顾，我们可以发现机器学习在科学研究中完全不同的应用，包括以下几个方面:
1.存在性。机器学习已经应用于所有科学领域，用来评估一个理论的可信度，其中某些领域甚至超越了实证科学的范畴。值得注意的是，机器学习算法帮助了数学上的发现。虽然机器学习算法不能证明一个定理但它们可以指出一个未被发现的定理的存在性，然后数学家可以猜想并最终证明。换句话说，如果某件事情可以被预测，那么就有希望发现一个定理 (Gryak等人，即将发表)。
2.重要性。机器学习算法可以确定解释变量 (在机器学习领域称为“特征”)的相对信息含量，以达到解释和/或预测的目的 (Liu，2004)。例如，平均准确度……
面向资产管理者的机器学习pdf下载
