●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
……