大數(shù)據(jù)、機器學習與量化投資

第1章  算法能構建出具有人類智慧的alpha嗎
1.1導讀
1.2重復或是重塑
1.3用機器學習重塑投資
1.4信任問題
1.5經(jīng)濟存在主義∶一項宏大設計抑或一次偶然事件
1.6這一系統(tǒng)究竟是什么
1.7動態(tài)預測與新方法論
1.8基本面因子、預測與機器學習
1.9結論：尋找投資中的“釘子”
第2章  駕馭大數(shù)據(jù)
2.1導讀
2.2使用另類數(shù)據(jù)的驅(qū)動因素
2.3另類數(shù)據(jù)類型、形式與范圍
2.4如何判斷哪些另類數(shù)據(jù)有用
2.5另類數(shù)據(jù)需要多少成本
2.6案例研究
2.7使用另類數(shù)據(jù)的明顯趨勢
2.8結論
第3章  機器學習在投資管理中的應用現(xiàn)狀
3.1導讀
3.2數(shù)據(jù)無處不在
3.3人工智能應用圖譜
3.4行業(yè)間的相互聯(lián)系和人工智能的實施推動者
3.5行業(yè)發(fā)展前景
3.6關于未來
3.7結論
第4章  在投資過程中使用另類數(shù)據(jù)
4.1導讀
4.2量化浩劫：激勵人們尋找另類數(shù)據(jù)
4.3利用好另類數(shù)據(jù)爆炸帶來的好處
4.4選擇要進行評估的數(shù)據(jù)源
4.5評估技術
4.6基本面基金管理者與另類數(shù)據(jù)
4.7若干例證
4.8結論
第5章  使用另類數(shù)據(jù)和大數(shù)據(jù)交易宏觀資產(chǎn)
5.1導讀
5.2理解大數(shù)據(jù)和另類數(shù)據(jù)的一般概念
5.3傳統(tǒng)建模方法與機器學習
5.4大數(shù)據(jù)和另類數(shù)據(jù)：在宏觀交易中的廣泛使用
5.5案例研究：使用大數(shù)據(jù)和另類數(shù)據(jù)深入挖掘宏觀交易
5.6結論
第6章 大即為美，從電子郵件收據(jù)數(shù)據(jù)預測公司銷售額
6.1導讀
6.2Quandl的電子郵件收據(jù)數(shù)據(jù)庫
6.3大數(shù)據(jù)工作中的挑戰(zhàn)
6.4預測公司銷售額
6.5實時預測
6.6案例研究：亞馬遜銷售案例
第7章  將集成學習應用于量化股票：多因子框架中的梯度提升算法
7.1導讀
7.2提升樹入門
7.3數(shù)據(jù)和方案
7.4建立模型
7.5結果和討論
7.6結論
第8章  企業(yè)文化的社交媒體分析
8.1導讀
8.2文獻綜述
8.3數(shù)據(jù)與樣本構建
8.4推斷企業(yè)文化
8.5檢驗結果
8.6結論
第9章  能源期貨交易的機器學習與事件檢測
9.1導讀
9.2數(shù)據(jù)說明
9.3模型框架
9.4表現(xiàn)
9.5結論
第10章  財經(jīng)新聞中的自然語言處理
10.1導讀
10.2新聞數(shù)據(jù)來源
10.3實際應用
10.4自然語言處理
10.5數(shù)據(jù)及方法論
10.6結論
第11章 基于支持向量機的全球戰(zhàn)術性資產(chǎn)配置
11.1導讀
11.2過去50年的全球戰(zhàn)術性資產(chǎn)配置
11.3經(jīng)濟學文獻中的支持向量機
11.4基于支持向量回歸的全球戰(zhàn)術性資產(chǎn)配置策略
11.5結論
第12章 金融中的強化學習
12.1導讀
12.2馬爾科夫決策過程：決策的一般框架
12.3理性及決策的不確定性
12.4均值-方差的等價性
12.5回報
12.6組合價值與財富
12.7具體案例
12.8結論與進一步的工作
第13章  金融深度學習，基于LSTM網(wǎng)絡的股票收益預測
13.1導讀
13.2相關工作
13.3金融市場的時間序列分析
13.4深度學習
13.5循環(huán)神經(jīng)網(wǎng)絡
13.6長短期記憶網(wǎng)絡
13.7金融模型
13.8結論
附錄
參考文獻
譯者簡介