發現新的金融理論：應用機器學習工具來發掘復雜現像中的隱藏變量；提出一個理論，通過結構性陳述將這些成分聯繫起來；用比回測更強大的工具對理論進行檢驗；科學運用機器學習：應用於所有科學領域，用來評估一個理論的可信度；可以確定解釋變量的相對信息含量，以達到解釋和／或預測的目的；用來評估因果推理效果；對於大型、高維、復雜數據集的可視化至關重要；可用於掃描大數據， 尋找人類無法識別的模式。利用機器學習進行投資策略的選擇和優化利用機器學習來建立更好的金融理論

●中文版序
1 引言
1.1 動機
1.2 理論很重要
1.3 如何科學地運用機器學習
1.4 過擬合的兩種類型
1.5 提綱
1.6 受眾
1.7 關於金融機器學習的五個常見誤解
1.8 金融研究的未來
1.9 常見問題
1.10 結論
1.11 習題
2 降噪和降調
2.1 動機
2.2 Marcenko-Pastur定理
2.3 帶信號的隨機矩陣
2.4 擬合Marcenko-Pastur分布
2.5 降噪
2.6 降調
2.7 實驗結果
2.8 結論
2.9 習題
3 距離度量
3.1 動機
3.2 基於相關性的度量
3.3 邊際熵和聯合熵
3.4 條件熵
3.5 Kullback-Leibler散度
3.6 交叉熵
3.7 互信息
3.8 差異信息
3.9 離散化
3.10 兩個劃分之間的距離
3.11 實驗結果
3.12 結論
3.13 習題
4 很優聚類
4.1 動機
4.2 相似度矩陣
4.3 聚類的類型
4.4 類集的個數
4.5 實驗結果
4.6 結論
4.7 習題
5 金融標注
5.1 動機
5.2 固定區間法
5.3 三重阻礙法
5.4 趨勢掃描法
5.標注
5.6 實驗結果
5.7 結論
5.8 習題
6 特征重要性分析
6.1 動機
6.2 p值
6.3 變量重要性
6.4 概率加權準確度
6.5 替代效應
6.6 實驗結果
6.7 結論
6.8 習題
7 組合構建
7.1 動機
7.2 凸組合優化
7.3 條件數
7.4 Markowitz的詛咒
7.5 信號作為協方差不穩定性的來源
7.6 嵌套聚類優化算法
7.7 實驗結果
7.8 結論
7.9 習題
8 測試集過擬合
8.1 動機
8.2 查準率和召回率
8.3 重復測試下的查準率和召回率
8.4 夏普比率
8.5 錯誤策略定理
8.6 實驗結果
8.7 收縮夏普比率
8.8 家族錯誤率
8.9 結論
8.10 習題
附錄A 合成數據測試
附錄B 錯誤策略定理的證明
參考書目
參考文獻

本書面向廣大資產管理者和各類研究人員，基於機器學習和人工智能，指明從一個投資理念和理論到成功的投資策略具體實施的量化途徑。作者認為一個缺乏理論依據的投資策略很可能是錯誤的。為此，資產管理者應致力於發展理論，而不僅是回測潛在的交易規則。本書就是從幫助資產管理者發現經濟和金融理論的角度出發，介紹機器學習的工具。機器學習不是一個黑匣子，也不一定會過擬合。機器學習的工具與經典統計方法是互補關繫而不是替代關繫。本書認為機器學習的一些優點包括：注重樣本外的可預測性，而不是樣本內的方差判斷；使用計算方法避免依賴一些（或許不切實際的）假設；能夠“學習”復雜的規範，包括高維空間中的非線性、分層和非連續的交互效應；能夠將變量搜索與設定搜索分離，並能很好地防止多重線性和其他替代效應。

     想像一下，您有位朋友自稱有一種技術，可以預測下一次彩票中獎的號碼。他的技術並不準確，所以他必須多買幾張彩票。當然，如果他把所有的彩票都買了，那麼他能中獎也就不足為奇了。您會讓他買多少張彩戛纔能判斷他的方法是否有用呢？要評估他的技術準確度，您應該考慮他買了多張彩票的事實。同樣地，研究者在同一數據集上進行多個統計測試更有可能得到錯誤的發現。而當研究者在同一數據集上不斷重復同一個測試，則保證他最終會得到一個錯誤的發現。這種選擇偏差來自於讓模型在測試集上表現良好，而不是訓練集。 另一個測試集過擬合的例子是研究人員對一個策略進行回測，並對其進行調整，直到輸出達到目標性能為止。這種回測一調整一再回測一再調整的循環是徒勞無功的，最終必然會以過擬合（假陽一HE）而告終。相反，研究者應該花時間去探究誤導他做出回測錯誤策略的研究過程。換句話說，一等