机器学习与资产定价 2025 chm pdf kindle rb azw3 下载 115盘

本书系统性地介绍了资产定价和机器学习算法的基础理论与实践知识，并以机器学习算法应用于中国股票市场资产收益率预测项目为案例，具体展示了机器学习算法落地应用于中国金融业界的流程和效果。本书主要内容包括资产定价基础方法、机器学习算法评估知识、线性机器学习模型、回归树类机器学习模型、神经网络模型、中国股票市场制度背景、机器学习项目的数据清洗过程和机器学习项目的实践案例。本书在写作过程中尽可能地减少专业词汇，使内容通俗易懂。本书适合高校中高年级本科生、研究生和对从事量化金融感兴趣的人阅读。

章引言： 为什么资产定价需要机器学习

节资产定价的核心问题： 为什么不同的资产会有

不同的收益

第二节当资产定价遇到机器学习

第三节相关学术文献介绍

第四节相关业界应用场景

参考文献

第二章资产定价的核心问题： 股票预期收益率

节投资组合分析

第二节因子投资

第三节中国因子模型

第四节异象性因子的检验

参考文献

第三章机器学习模型评估

节过拟合与欠拟合

第二节偏差和方差的权衡

第三节回归问题机器学习模型的评价指标

第四节机器学习的超参数调校

第四章机器学习模型Ⅰ： 线性模型

节多元线性模型

第二节带惩罚项的线性模型

第三节降维视角的线性模型

第五章机器学习模型Ⅱ： 回归树模型

节回归树

第二节随机森林

第三节梯度提升树

第六章机器学习模型Ⅲ： 神经网络模型

节神经网络模型介绍

第二节激活函数

第三节优化算法

第四节神经网络的训练

第五节全连接神经网络模型的代码实现

参考文献

第七章理解机器学习在中国股票市场应用的

制度背景

节中国股票市场概述

第二节中国股票市场重要制度

第三节中国股票市场特殊制度

第八章为机器学习模型准备数据

节数据来源与样本选择

第二节股票收益率数据分析

第三节财务数据处理

第四节数据预处理步骤

第五节实证中使用的股票特征变量构造介绍

参考文献

第九章机器学习在中国金融市场中的实证应用

节机器学习模型有效性验证： 蒙特卡洛模拟

方法

第二节机器学习算法在中国A股市场的实证结果

第三节IPCA模型在中国A股市场的实证结果

参考文献

第十章结语与未来展望

节机器学习模型与另类数据

第二节机器学习模型与其他资产定价问题

参考文献

吴辉航，博士，清华大学五道口金融学院博士后。2018年获上海财经大学经济学博士学位，在校期间曾获“上海财经大学学术之星”“博士研究生国家奖学金”。主要研究领域为财税政策、资产定价、机器学习和金融科技。在Small Business Economics、International Review of Finance、Emerging Markets Finance and Trade、《经济研究》、《数量经济技术经济研究》等重要期刊发表学术论文十余篇。

魏行空，中信建投证券总部机构业务部算法交易组高级经理。先后毕业于中央财经大学和瑞士苏黎世大学，获得经济学硕士学位。主要从事算法交易和高频量化分析、机器学习算法在高频交易中的应用等研究。

张晓燕，清华大学五道口金融学院副院长、鑫苑金融学讲席教授，世界经济论坛未来理事会委员，上海证券交易所高级金融专家，亚洲金融与经济研究局（ABFER）高级研究员。曾任证监会第十七届发行审核委员会委员。北京大学经济学学士、哥伦比亚商学院金融学博士（优秀荣誉毕业生）。主要研究领域为国际金融、实证资产定价、金融科技和中国资本市场。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习与资产定价在线阅读

在线听书地址：机器学习与资产定价在线收听

在线购买地址：机器学习与资产定价在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

本书既具有科学性与严谨性，语言又通俗易懂，并提供实战代码解读，便于学习和应用。

前言

机器学习模型作为人工智能（AI）核心技术之一，历史性地站在了时代的风口，正在对人类经济社会各行各业的发展造成颠覆性冲击。特别是在金融行业这样数据信噪比低、特征维度高、相互关系复杂的业务场景中，机器学习算法有着广阔的应用空间。中国政府也在持续推出宏观政策，鼓励支持人工智能技术在金融行业的推广和落地。2019年8月中国人民银行印发

的《金融科技(FinTech)发展规划(2019—2021年)》中明确指出金融科技发展的重点任务之一为： 合理运用金融科技手段丰富服务渠道、完善产品供给、降低服务成本、优化融资服务，提升金融服务质量与效率，使金融科技创新成果更好地惠及百姓民生。

如今人工智能技术正在如火如荼地发展，但是机器学习算法究竟好在什么地方？适合应用于解决金融行业的什么问题？如何

把它应用在实际的业务场景中？这一系列的问题时刻困扰着金融行业的从业人员。尽管目前市面上有着很多优秀的机器学习书籍，也有着很多金融学的经典讲义，但是大部分的书都只是基于各自学科的特点编写，仅聚焦于机器学习或者金融某单一角度，且缺少关键落地场景。读者在学习完机器学习算法原理之后，并不清楚学到的方法应该如何实际应用。 

本书在将作者多年从事研究的机器学习算法应用于中国股票市场资产收益率预测研究的基础上，补充了大量的基础理论和代码实践内容，希望以一个具体的机器学习应用于金融场景的项目，帮助读者达到以下学习目标： ①掌握传统资产定价领域中的基础分析工具和方法； ②理解基本的机器算法原理； ③掌握机器学习算法解决资产定价实际问题的具体代码实现过程。

具体而言，本书共有10章，分为三个部分。部分为前两章，介绍了资产定价研究的相关基础内容： 章为引言，详细阐述了为什么资产定价需要机器学习； 第二章介绍了资产定价的核心问题——股票预期收益率

，并详细介绍了资产定价领域的各种方法。第二部分为第

三章至第六章，介绍了机器学习算法知识。第三章介绍了机器学习模型评估知识； 第四章

介绍了线性机器学习模型； 第五章介绍了回归树类机器学习模型； 第六章介绍了神经网络模型。第三部分

为第七章至第十章，详细介绍了机器学习项目落地具体过程。第七章为中国股票市场制度背景介绍； 第八章介绍了机器学习项目的数据清洗过程和步骤； 第九章为机器学习在中国金融市场中的实证应用； 第十章为结语，对本书内容进行了总结，并对未来研究进行了展望。

需要说明的是，机器学习本身也是一门新兴学科，各种先进的算法和模型日新月异，本书仅仅覆盖了传统机器学习领域主流和经典的方法，并没有讨论前沿的机器学习算法。尽管本书使用的机器学习算法在统计学理论文献中并不算新颖，但是实证结果表明，即使是传统的机器学习算法，在解决资产定价的很多问题中也都取得了不错的成果。此外，机器学习在资产定价领域的应用非常广泛，本书的案例分析聚焦在股票预测收益率这个重要而且非常具有代表性的问题上，机器学习在金融领域的更多应用和实践，也等待着各位读者自行探索。

本书在写作过程中得到了周围很多同学、同事、朋友和家人的帮助，在此向他们表达真诚的感谢。特别需要说明的是，本书机器学习部分的实证设计很多都参考芝加哥大学修大成教授、顾诗颢博士和耶鲁大学Kelly教授2020年发表于金融学期刊

Review of Financial Studies上面的论文。作者在开展中国的资产定价研究过程中，也得到了修大成教授和顾诗颢博士很多实际代码上的解惑和帮助。此外，本书的写作获得了清华大学五道口金融学院的很多老师和同学

的支持与帮助，他们是(按姓氏拼音顺序）： 博士后

李志勇、乔芳和张远远； 博士生葛慧敏、柯烁佳、李东枝、马腾、谭琳、张子健、张欣然； 研究员柯岩、寻朔、殷子涵。本书的出版感谢国家自然科学基金赞助(项目号： 71790605)。

本书的目标读者为以下两类人群： ①高校中高年级本科生和研究生。越来越多的院校开始开设金融科技专业，培养学生在金融、计算机和统计方面的交叉复合研究能力，如上海财经大学金融学院在2019年开设金融科技项目。本书可以帮助学生了解基础的金融学和机器学习概念。②对从事量化金融感兴趣的人。很多计算机、数学等工科背景的人，对从事量化投资非常感兴趣，他们想要了解自己掌握的工具如何在金融领域发挥作用，本书可以帮助他们理解整个量化投资项目的过程。

为了让大家能够更好地上手项目，本书在很多案例中都给出相应的Python代码。Python语言已经成为受欢迎的程序设计语言之一，由于Python语言的简洁性、易读性以及可扩展性，很多业界和学界都把

它作为员工和科研人员的技能。此外，本书还会涉及十分经典的科学计算扩展库： NumPy、pandas、SciPy、matplotlib、sklearn、tensorflow，它们分别为Python提供了快速数组处理、数据清洗、数值运算、绘图功能、机器学习算法包和深度学习算法包。借助这些扩展库，你可以很容易在你自己的笔记本电脑上搭建起一个机器学习模型。建议大家搭配Jupyter Notebook来进行数据清洗以及内容的展示和呈现，Jupyter Notebook的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码、数学方程、可视化和 markdown。如果你对Python或者上面这些工具库不是特别了解，建议你花几个小时去网上找视频学习一下，就算你未来不做量化金融，这些新工具也可能会对你的工作有所帮助。

本书的主要内容来源于作者撰写的学术论文，通篇的实证结果是严格按照学术研究的标准而得出的。本书尽

可能详细地公开代码，让实证结果可以被更多人复现，让结果更令人信服。本书为需要编程的绝大部分内容都提供了实战的代码，并对代码做了解释和说明，目的是让读者在阅读本书的过程中，真正能够上手这个项目，在学习之后，自己能够举一反三，将机器学习方法应用在学习和工作的其他场合中。

作者

2021年10月

书籍介绍

本书系统性地介绍了资产定价和机器学习算法的基础理论与实践知识，并以机器学习算法应用于中国股票市场资产收益率预测项目为案例，具体展示了机器学习算法落地应用于中国金融业界的流程和效果。本书主要内容包括资产定价基础方法、机器学习算法评估知识、线性机器学习模型、回归树类机器学习模型、神经网络模型、中国股票市场制度背景、机器学习项目的数据清洗过程和机器学习项目的实践案例。本书在写作过程中尽可能地减少专业词汇，使内容通俗易懂。本书适合高校中高年级本科生、研究生和对从事量化金融感兴趣的人阅读。