金融机器学习的进展
Advances in Financial Machine Learning
目录#
第01章 · 金融机器学习作为一门独立学科
为什么金融机器学习不同于传统机器学习，以及项目失败的根源。
›
第1部分 · 数据分析
如何结构化金融数据——数据类型、标签、样本权重、分数阶差分。
›
第02章 · 金融数据结构
如何将原始金融数据重构为适合机器学习算法的数据结构。
›
第03章 · 标签方法
固定时间窗口、三重障碍、元标签——金融场景下的标签生成方法。
›
第04章 · 样本权重
重叠结果、并发标签、唯一性——为金融样本赋予合理的权重。
›
第05章 · 分数阶差分特征
在保持平稳性的同时保留记忆——分数阶差分的方法与实现。
›
第2部分 · 建模
集成方法、交叉验证、特征重要性、超参数调优。
›
第06章 · 集成方法
Bagging、随机森林、Boosting——在金融中如何正确使用集成方法。
›
第07章 · 金融中的交叉验证
为什么标准 K 折交叉验证在金融中失效，以及净化 K 折方案。
›
第08章 · 特征重要性
带/不带替代效应的特征重要性分析，及合成数据实验。
›
第09章 · 交叉验证超参数调优
网格搜索、随机搜索交叉验证，以及评分与调优策略。
›
第3部分 · 回测
下注规模、回测陷阱、交叉验证回测、合成数据、回测统计、策略风险、资产配置。
›
第10章 · 下注规模
从预测概率到下注规模——策略无关的下注规模确定方法。
›
第11章 · 回测的危险
为什么完美回测几乎必然是错的，以及回测不是研究工具。
›
第12章 · 交叉验证回测
走步法 vs 交叉验证法，组合净化交叉验证回测方法。
›
第13章 · 合成数据回测
在合成数据上回测交易规则——历史未必重演。
›
第14章 · 回测统计
回测的各类统计量——特征、绩效、运行、效率、归因。
›
第15章 · 理解策略风险
对称与非对称收益下的策略失败概率分析。
›
第16章 · 机器学习资产配置
层次风险平价——从几何到层次关系的资产配置方法。
›
第4部分 · 实用金融特征
结构性突变、熵特征、微观结构特征。
›
第17章 · 结构性突变
CUSUM 检验与爆炸性检验——检测金融时间序列的结构性突变。
›
第18章 · 熵特征
香农熵、Lempel-Ziv 估计量——从信息论角度提取金融特征。
›
第19章 · 微观结构特征
三代微观结构模型——从价格序列到战略交易模型。
›
第5部分 · 高性能计算指南
多进程与向量化、暴力搜索与量子计算、HPC 预测技术。
›
第20章 · 多进程与向量化
向量化、多线程、多进程——金融 ML 的高性能计算实践。
›
第21章 · 暴力搜索与量子计算
组合优化问题的整数规划方法与量子计算前景。
›
第22章 · 高性能计算智能与预测技术
HPC 硬件与软件在金融预测中的应用——从闪电崩盘到监管响应。
›