中图网

>

计算机理论

金融机器学习和数据科学实践

作者：[印]哈里姆·塔特萨特(Hariom T

出版社：中国电力出版社出版时间：2022-11-01

开本： 16开 页数： 444

本类榜单：计算机/网络销量榜

中图价:¥73.0(5.7折) 定价 ~~¥128.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥73.0 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

金融机器学习和数据科学实践版权信息

ISBN：9787519869632
条形码：9787519869632 ; 978-7-5198-6963-2
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机理论

金融机器学习和数据科学实践本书特色

今后几年，机器学习和数据科学将在金融业掀起巨变。对冲基金、投资和零售银行、金融科技从业者可从本书学到金融业核心机器学习算法。本书不仅介绍监督学习、无监督学习和强化学习三大类机器学习技术和自然语言处理（NLP）技术相关概念，还通过近20个案例研究，详细介绍它们在金融领域的应用。本书涵盖投资组合管理、算法交易、衍生品定价、欺诈检测、资产价格预测、情感分析和聊天机器人开发等主題，不论你是分析师、交易员、研究员或开发者，总有适合你深入学习的内容。本书将带你探究真实问题，学习科学可靠的解决方案。重点代码详细解读，并佐以示例。本书代码库更配有完整代码和运行结果，钻研、运行代码和比对结果更便捷。

金融机器学习和数据科学实践内容简介

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。

金融机器学习和数据科学实践目录

前言 . 1

**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Python 23

2.2 Python 机器学习包 24

2.3 Python 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*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

4.1.5 k 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

第三部分无监督学习

第7 章无监督学习：降维 . 215

7.1 降维技术 .217

7.1.1 主成分分析 .217

7.1.2 核主成分分析 .221

7.1.3 t-SNE221

7.2 案例研究1：投资组合管理：寻找特征组合 222

7.3 案例研究2：收益率曲线构造和利率建模 237

7.4 案例研究3：比特币交易：提高速度和准确率 248

7.5 小结 257

7.6 练习 257

第8 章无监督学习：聚类 . 259

8.1 聚类技术 .261

8.1.1 k 均值聚类 261

8.1.2 层次聚类 262

8.1.3 亲和力传播聚类 264

8.2 案例研究1：配对交易聚类 265

8.3 案例研究2：投资组合管理：投资者聚类 282

8.4 案例研究3：层次风险平价 291

8.5 小结 301

8.6 练习 301

第四部分强化学习和自然语言处理

第9 章强化学习 305

9.1 强化学习的理论和概念 307

9.1.1 强化学习建模框架 312

9.1.2 强化学习模型 .317

9.1.3 强化学习的主要挑战322

9.2 案例研究1：用强化学习实现交易策略 .322

9.3 案例研究2：衍生品对冲 341

9.4 案例研究3：投资组合分配 359

9.5 小结 370

9.6 练习 370

第10 章自然语言处理 371

10.1 Python 的NLP 库 373

10.1.1 NLTK 库 .373

10.1.2 TextBlob 库 374

10.1.3 spaCy 库 .374

10.2 NLP 理论和概念 374

10.2.1 预处理 .375

10.2.2 特征表示 381

10.2.3 推断 385

10.3 案例研究1：用NLP 和情感分析技术实现交易策略 . 388

10.4 案例研究2：聊天机器人数字助理 . 411

10.5 案例研究3：文档摘要 .421

10.6 小结 428

10.7 练习 429

展开全部

金融机器学习和数据科学实践作者简介

Hariom Tatsat现任纽约投行量化分析部副总。Hariom 拥有丰富的预测建模、金融工具定价和风险管理经验。 Sahil Puri 是一名量化研究员。Sahil曾用多种统计和机器学习技术解决各种问题。 Brad Lookabaugh现任Unison Investment Management副总，负责投资组合管理。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐