91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
概率機器學(xué)習(xí)：金融與投資實戰(zhàn)
概率機器學(xué)習(xí)：金融與投資實戰(zhàn)
Deepak K. Kanungo 著
李波, 簡洪濤, 李一帆, 殷吉軒 譯
出版時間：2025年05月
頁數(shù)：225
“卡農(nóng)戈以他務(wù)實且堅定的風(fēng)格，摒棄了現(xiàn)代的傳統(tǒng)觀念，對概率機器學(xué)習(xí)進(jìn)行了精彩的分析。他不把概率機器學(xué)習(xí)當(dāng)作一種解決方案，而是將其視為金融科技領(lǐng)域最明智的發(fā)展方向?！?br /> ——Ian Angell
倫敦經(jīng)濟學(xué)院名譽教授
“這本書闡釋了傳統(tǒng)模型的缺陷，以及概率機器學(xué)習(xí)模型在金融和投資領(lǐng)域的現(xiàn)實預(yù)測能力，在減少對直覺的依賴方面邁出了重要的一步?！?br /> ——Bruno Rignel
Alpha Key Capital Management首席投資官
概率機器學(xué)習(xí)代表著金融和投資領(lǐng)域的下一代機器學(xué)習(xí)框架與技術(shù)，原因有以下幾點。這種生成式集成模型能夠持續(xù)從小型且包含噪聲的金融數(shù)據(jù)集中學(xué)習(xí)，同時無縫實現(xiàn)概率推斷、反演、預(yù)測以及反事實推理。概率機器學(xué)習(xí)還能讓你系統(tǒng)地將個人知識、經(jīng)驗知識以及機構(gòu)知識編碼到機器學(xué)習(xí)模型中。
無論基于學(xué)術(shù)理論還是機器學(xué)習(xí)策略，所有金融模型都存在建模誤差，這些誤差可以減小，但無法消除。概率機器學(xué)習(xí)系統(tǒng)將金融和投資系統(tǒng)中的不確定性和誤差視為特征，而非缺陷。它們將由不精確的輸入和輸出所產(chǎn)生的不確定性量化為概率分布，而非點估計值。這就使得基于現(xiàn)實情況的金融推斷和預(yù)測對決策制定和風(fēng)險管理具有實用價值。
與傳統(tǒng)人工智能不同，當(dāng)這些系統(tǒng)的推斷和預(yù)測在當(dāng)前市場環(huán)境中不再有效時，它們能夠向我們發(fā)出警告。摒棄有缺陷的統(tǒng)計方法以及將概率視為極限頻率的狹隘傳統(tǒng)觀點，你將朝著在公理化統(tǒng)計框架內(nèi)把概率視為邏輯的直觀觀點邁進(jìn)，該框架能夠全面且成功地對不確定性進(jìn)行量化。
本書將向你展示如何做到這一點。
  1. 前言
  2. 第1章 概率機器學(xué)習(xí)的需求
  3. 1.1 金融學(xué)不是物理學(xué)
  4. 1.2 所有金融模型皆有謬誤且大多無用
  5. 1.3 三類建模錯誤
  6. 1.3.1 模型錯誤
  7. 1.3.2 模型參數(shù)錯誤
  8. 1.3.3 模型不能適應(yīng)市場的結(jié)構(gòu)性變化而導(dǎo)致的錯誤
  9. 1.4 概率金融模型
  10. 1.5 金融人工智能和機器學(xué)習(xí)
  11. 1.6 概率機器學(xué)習(xí)
  12. 1.6.1 概率分布
  13. 1.6.2 知識集成
  14. 1.6.3 參數(shù)推斷
  15. 1.6.4 生成式集成模型
  16. 1.6.5 不確定性認(rèn)知
  17. 1.7 本章小結(jié)
  18. 參考文獻(xiàn)
  19. 擴展閱讀
  20. 第2章 不確定性的分析與量化
  21. 2.1 蒙提霍爾問題
  22. 2.2 概率公理
  23. 2.3 反概率公式
  24. 2.4 模擬解
  25. 2.5 概率的含義
  26. 2.5.1 頻率學(xué)派的概率
  27. 2.5.2 認(rèn)知概率
  28. 2.5.3 相對概率
  29. 2.6 風(fēng)險與不確定性
  30. 2.7 三種不確定性
  31. 2.7.1 偶然不確定性
  32. 2.7.2 認(rèn)知不確定性
  33. 2.7.3 本體論不確定性
  34. 2.8 沒有免費午餐定理
  35. 2.9 投資與歸納問題
  36. 2.10 問題歸納、沒有免費午餐定理與概率機器學(xué)習(xí)
  37. 2.11 本章小結(jié)
  38. 參考文獻(xiàn)
  39. 第3章 用于量化輸出不確定性的蒙特卡羅模擬
  40. 3.1 蒙特卡羅模擬：概念驗證
  41. 3.2 關(guān)鍵統(tǒng)計概念
  42. 3.2.1 均值和方差
  43. 3.2.2 期望值：概率加權(quán)算術(shù)平均值
  44. 3.2.3 為什么用波動率來度量風(fēng)險是荒謬的
  45. 3.2.4 偏度與峰度
  46. 3.2.5 高斯分布或正態(tài)分布
  47. 3.2.6 為什么使用波動率會低估金融風(fēng)險
  48. 3.2.7 大數(shù)定律
  49. 3.2.8 中心極限定理
  50. 3.3 蒙特卡羅模擬的理論基礎(chǔ)
  51. 3.4 軟件項目的估值
  52. 3.5 構(gòu)建一個健全的蒙特卡羅模擬系統(tǒng)
  53. 3.6 本章小結(jié)
  54. 參考文獻(xiàn)
  55. 第4章 傳統(tǒng)統(tǒng)計方法的風(fēng)險
  56. 4.1 反向謬誤
  57. 4.2 零假設(shè)顯著性檢驗中的檢察官謬誤
  58. 4.3 信心游戲
  59. 4.3.1 股票的單因素市場模型
  60. 4.3.2 基于Statsmodels的簡單線性回歸
  61. 4.3.3 α和β的置信區(qū)間
  62. 4.4 揭秘信心游戲
  63. 4.4.1 總體參數(shù)概率性陳述錯誤
  64. 4.4.2 置信區(qū)間概率性陳述錯誤
  65. 4.4.3 抽樣分布概率性陳述錯誤
  66. 4.5 本章小結(jié)
  67. 參考文獻(xiàn)
  68. 擴展閱讀
  69. 第5章 概率機器學(xué)習(xí)框架
  70. 5.1 探究反概率規(guī)則
  71. 5.2 估計債務(wù)違約的概率
  72. 5.3 用預(yù)測概率分布生成數(shù)據(jù)
  73. 5.4 本章小結(jié)
  74. 擴展閱讀
  75. 第6章 傳統(tǒng)人工智能系統(tǒng)的風(fēng)險
  76. 6.1 AI系統(tǒng)：缺乏常識是危險的
  77. 6.2 為什么最大似然估計模型在金融領(lǐng)域失敗了
  78. 6.2.1 盈余預(yù)期的最大似然估計模型
  79. 6.2.2 盈余預(yù)期的概率模型
  80. 6.3 馬爾可夫鏈蒙特卡羅模擬
  81. 6.3.1 馬爾可夫鏈
  82. 6.3.2 Metropolis抽樣
  83. 6.4 本章小結(jié)
  84. 參考文獻(xiàn)
  85. 第7章 生成式集成概率機器學(xué)習(xí)
  86. 7.1 最大似然回歸模型
  87. 7.1.1 市場模型
  88. 7.1.2 模型假設(shè)
  89. 7.1.3 基于最大似然估計的參數(shù)學(xué)習(xí)
  90. 7.1.4 基于置信區(qū)間的參數(shù)不確定性量化
  91. 7.1.5 模型輸出的預(yù)測與模擬
  92. 7.2 概率線性集成模型
  93. 7.2.1 先驗概率分布P(α, β, e)
  94. 7.2.2 似然函數(shù)P(Y| α, β, e, X)
  95. 7.2.3 邊緣似然函數(shù)P(Y|X)
  96. 7.2.4 后驗概率分布P(α, β, e| X, Y)
  97. 7.3 使用PyMC庫與ArviZ庫構(gòu)建概率線性集成模型
  98. 7.3.1 定義集成模型的性能指標(biāo)
  99. 7.3.2 數(shù)據(jù)分析與特征工程
  100. 7.3.3 開發(fā)和回溯先驗集成模型
  101. 7.3.4 訓(xùn)練和回溯后驗集成模型
  102. 7.3.5 測試和評估集成模型
  103. 7.4 本章小結(jié)
  104. 參考文獻(xiàn)
  105. 擴展閱讀
  106. 第8章 基于生成式集成模型的概率決策
  107. 8.1 概率推斷和預(yù)測框架
  108. 8.2 概率決策框架
  109. 8.2.1 融入主觀判斷
  110. 8.2.2 估計損失
  111. 8.2.3 最小化損失
  112. 8.3 風(fēng)險管理
  113. 8.3.1 資本保全
  114. 8.3.2 遍歷性
  115. 8.3.3 生成式風(fēng)險價值
  116. 8.3.4 生成式預(yù)期虧空
  117. 8.3.5 生成式尾部風(fēng)險
  118. 8.4 資本配置
  119. 8.4.1 賭徒破產(chǎn)定律
  120. 8.4.2 預(yù)期資產(chǎn)評估師的破產(chǎn)
  121. 8.4.3 現(xiàn)代投資組合理論
  122. 8.4.4 馬科維茨投資者的破產(chǎn)
  123. 8.4.5 凱利準(zhǔn)則
  124. 8.4.6 凱利投資者的破產(chǎn)
  125. 8.5 本章小結(jié)
  126. 參考文獻(xiàn)
  127. 擴展閱讀
書名：概率機器學(xué)習(xí)：金融與投資實戰(zhàn)
作者：Deepak K. Kanungo 著
譯者：李波, 簡洪濤, 李一帆, 殷吉軒 譯
國內(nèi)出版社：機械工業(yè)出版社
出版時間：2025年05月
頁數(shù)：225
書號：978-7-111-77271-2
原版書書名：Probabilistic Machine Learning for Finance and Investing
原版書出版商：O'Reilly Media
Deepak K. Kanungo
 
Deepak K. Kanungo是一名算法衍生品交易員、講師，也是對沖資本有限責(zé)任公司（Hedged Capital LLC）的首席執(zhí)行官，這家由人工智能驅(qū)動的自營交易公司是他于2009年創(chuàng)立的。自2019年以來，迪帕克已向全球數(shù)萬名O’Reilly Media的訂閱用戶傳授了使用Python進(jìn)行算法交易、投資和金融領(lǐng)域相關(guān)的概念、流程以及機器學(xué)習(xí)技術(shù)。在全球金融危機期間，他還曾擔(dān)任摩根士丹利（Morgan Stanley）的財務(wù)顧問。
 
 
本書封面上的動物是南非南部開普地區(qū)土生土長的開普腰蜥（學(xué)名：Cordyluscordylus）。開普腰蜥以其金黃色和帶刺的鱗片而聞名，經(jīng)常與群落中的其他成員一起在大巖石頂上享受日光浴。
開普腰蜥棲息在懸崖峭壁、巖石裸露的山脊和山頂。為了保護(hù)自己不受捕食者的傷害，這些蜥蜴會通過鼓起肺部將自己牢牢地楔入巖石縫隙中，使捕食者很難將它們撬出來。它們帶刺的尾巴也能起到額外的保護(hù)作用。開普腰在早晨和晚上覓食（主要是昆蟲），然后再回到安全的巖石縫隙中。
購買選項
定價：89.00元
書號：978-7-111-77271-2
出版社：機械工業(yè)出版社