- 金融中的机器学习(理论与实践)
- - 作者：(美)马修·F.狄克逊//伊戈尔·霍尔珀林//保罗·比罗肯|责编:冯亚娇|译者:贾越珵//徐峥
  - 出版社：中国人民大学
  - ISBN：9787300326436
  - 出版日期：2026/01/01
  - 页数：524
- 售价：51.2

内容大纲
    本书系统介绍机器学习在金融领域的应用方法，从统一视角融合机器学习与金融计量经济学、离散时间随机控制等量化金融学科，重点阐述理论与假设检验如何指导金融数据建模与决策中的算法选择。随着计算资源与数据规模的持续增长，机器学习已成为金融行业的关键技能。
    全书分为三部分，理论与应用并重：
    基于横截面数据的机器学习：从贝叶斯学派与频率学派双重视角解析核心方法，进阶内容聚焦神经网络与高斯过程，结合投资管理与衍生品建模案例，揭示算法在金融横截面分析中的优化逻辑。
    序贯学习：针对金融高频数据特性，探讨交易策略、随机波动率及固定收益建模中的监督学习应用，突破传统方法对数据生成过程的依赖。
    时序数据与决策：解析强化学习在交易、投资与财富管理中的落地场景，提供免模型框架下的解决方案。
    本书面向有金融计量经济学、管理科学与应用统计基础的高年级研究生和专业学者，以及量化金融领域的量化分析专家和数据科学家。本书兼具理论深度与实践导向，为金融智能转型提供跨学科方法论支撑，助力读者掌握数据驱动决策的核心竞争力。
作者介绍
目录
第一部分  基于横截面数据的机器学习
  第1章  引论
    1.1  背景
    1.2  机器学习与预测
    1.3  统计建模与机器学习
    1.4  强化学习
    1.5  实践中监督机器学习的示例
    1.6  本章小结
    1.7  习题
  第2章  概率建模
    2.1  简介
    2.2  贝叶斯vs.频率估计
    2.3  从数据中进行频率推断
    2.4  评估估计量的质量：偏差和方差
    2.5  关于估计量的偏差-方差权衡（困境）
    2.6  从数据中进行贝叶斯推断
    2.7  模型选择
    2.8  概率图模型
    2.9  本章小结
    2.10  习题
  第3章  贝叶斯回归和高斯过程
    3.1  简介
    3.2  线性回归的贝叶斯推断
    3.3  高斯过程回归
    3.4  大规模可缩放高斯过程
    3.5  示例：使用单-GP进行定价和希腊值计算
    3.6  多响应高斯过程
    3.7  本章小结
    3.8  习题
  第4章  前馈神经网络
    4.1  简介
    4.2  前馈架构
    4.3  凸性与不等式约束
    4.4  训练、确认和测试
    4.5  随机梯度下降
    4.6  贝叶斯神经网络
    4.7  本章小结
    4.8  习题
  第5章  可解释性
    5.1  简介
    5.2  关于可解释性的背景
    5.3  神经网络的解释力
    5.4  交互效应
    5.5  雅可比矩阵方差的界
    5.6  因子建模
    5.7  本章小结
    5.8  练习
第二部分  序贯学习
  第6章  序贯建模
    6.1  简介

    6.2  自回归建模
    6.3  拟合时间序列模型：Box-Jenkins方法
    6.4  预测
    6.5  主成分分析
    6.6  本章小结
    6.7  习题
  第7章  概率序列建模
    7.1  简介
    7.2  隐马尔可夫建模
    7.3  粒子滤波
    7.4  随机滤波器的点校准
    7.5  随机滤波器的贝叶斯校准
    7.6  本章小结
    7.7  习题
  第8章  高级神经网络
    8.1  简介
    8.2  循环神经网络
    8.3  门控循环单元（GRU）
    8.4  Python-Notebook示例
    8.5  卷积神经网络
    8.6  自编码器
    8.7  本章小结
    8.8  习题
第三部分  时序数据与决策
  第9章  强化学习导论
    9.1  简介
    9.2  强化学习的元素
    9.3  马尔可夫决策过程
    9.4  动态规划方法
    9.5  强化学习方法
    9.6  本章小结
    9.7  习题
  第10章  强化学习的应用
    10.1  简介
    10.2  用于期权定价的QLBS模型
    10.3  离散时间的Black-Scholes-Merton模型
    10.4  QLBS模型
    10.5  关于股票投资组合的G-学习
    10.6  关于财富管理的强化学习
    10.7  本章小结
    10.8  习题
  第11章  逆强化学习和模仿学习
    11.1  简介
    11.2  逆强化学习
    11.3  最大熵逆强化学习
    11.4  示例：用于客户偏好推断的最大熵逆强化学习
    11.5  对抗模仿学习和逆强化学习
    11.6  除GAIL之外：AIRL、f-MAX、FAIRL、RS-GAIL等
    11.7  高斯过程逆强化学习
    11.8  逆强化学习能否超越导师？

    11.9  让我们尝试一下：关于金融悬崖漫步的强化学习
    11.10  逆强化学习的金融应用
    11.11  本章小结
    11.12  习题
  第12章  机器学习与金融的前沿
    12.1  简介
    12.2  市场动态、逆强化学习和物理学
    12.3  物理学与机器学习
    12.4  机器学习的“大一统”？

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目