●前言1
第一部分框架
第1章金融機器學習簡介11
1.1金融機器學習應用的現狀和前景12
1.1.1算法交易12
1.1.2投資組合管理和智能投顧12
1.1.3欺詐檢測12
1.1.4貸款、信用卡和保險審核13
1.1.5自動化和聊天機器人.13
1.1.6風險管理14
1.1.7資產價格預測14
1.1.8衍生品定價14
1.1.9情感分析14
1.1.10金融資產結算15
1.1.11反洗錢15
1.2機器學習、深度學習、人工智能和大數據15
1.3機器學習類型17
1.3.1監督學習17
1.3.2無監督學習18
1.3.3強化學習19
1.4自然語言處理20
1.5小結21
第2章用Python開發機器學習模型23
2.1為什麼用Python23
2.2Python機器學習包24
2.3Python生態繫統的模型開發步驟26
2.4小結41
第3章人工神經網絡43
3.1人工神經網絡：架構、訓練和超參數44
3.1.1架構44
3.1.2訓練46
3.1.3超參數48
3.2用Python建人工神經網絡模型52
3.2.1安裝Keras等機器學習包52
3.2.2提高人工神經網絡模型運行速度：GPU和雲服務55
3.3小結57
第二部分監督學習
第4章監督學習：模型和概念61
4.1監督學習模型概覽62
4.1.1線性回歸（普通最小二乘法）64
4.1.2正則化回歸66
4.1.3對數概率回歸69
4.1.4支持向量機70
4.1.5k近鄰72
4.1.6線性判別分析74
4.1.7分類回歸樹75
4.1.8集成模型77
4.1.9人工神經網絡模型83
4.2模型性能85
4.2.1過擬合和欠擬合85
4.2.2交叉檢驗87
4.2.3評估指標88
4.3模型選擇92
4.3.1影響模型選擇的因素.92
4.3.2模型取舍94
4.4小結94
第5章監督學習：回歸（含時間序列模型）97
5.1時間序列模型100
5.1.1拆解時間序列100
5.1.2自相關性和平穩性102
5.1.3傳統時間序列模型（包括ARIMA模型）104
5.1.4時間序列建模的深度學習方法106
5.1.5為監督學習模型調整時間序列數據109
5.2案例研究1：股價預測110
5.3案例研究2：衍生品定價130
5.4案例研究3：投資者風險容忍度和智能投顧142
5.5案例研究4：收益率曲線預測158
5.6小結167
5.7練習168
第6章監督學習：分類169
6.1案例研究1：欺詐檢測171
6.2案例研究2：預測借款拖欠概率185
6.3案例研究3：比特幣交易策略199
6.4小結211
6.5練習211
……
