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

 
金融機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)實踐
金融機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)實踐
Hariom Tatsat, Sahil Puri, Brad Lookabaugh 著
杜春曉 譯
出版時間：2022年11月
頁數(shù)：429
今后幾年，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)將在金融業(yè)掀起巨變。對沖基金、投資和零售銀行、金融科技從業(yè)者可從本書學(xué)到金融業(yè)核心機(jī)器學(xué)習(xí)算法。本書不僅介紹監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三大類機(jī)器學(xué)習(xí)技術(shù)和自然語言處理（NLP）技術(shù)相關(guān)概念，還通過近20個案例研究，詳細(xì)介紹它們在金融領(lǐng)域的應(yīng)用。
本書涵蓋投資組合管理、算法交易、衍生品定價、欺詐檢測、資產(chǎn)價格預(yù)測、情感分析和聊天機(jī)器人開發(fā)等主題，不論你是分析師、交易員、研究員或開發(fā)者，總有適合你深入學(xué)習(xí)的內(nèi)容。本書將帶你探究真實問題，學(xué)習(xí)科學(xué)可靠的解決方案。重點代碼詳細(xì)解讀，并佐以示例。本書代碼庫更配有完整代碼和運(yùn)行結(jié)果，鉆研、運(yùn)行代碼和比對結(jié)果更便捷。

本書主要內(nèi)容有：
● 用監(jiān)督學(xué)習(xí)回歸模型開發(fā)算法交易策略和衍生品定價模型。
● 用監(jiān)督學(xué)習(xí)分類模型預(yù)測信貸違約概率，檢測欺詐行為。
● 用降維技術(shù)解決投資組合管理和收益率曲線構(gòu)造問題。
● 為實現(xiàn)交易策略和管理投資組合，用降維和聚類技術(shù)尋找相似資產(chǎn)。
● 用強(qiáng)化學(xué)習(xí)模型和技術(shù)開發(fā)交易策略、衍生品對沖策略，管理投資組合。
● 用NLTK和scikit-learn等Python庫解決金融領(lǐng)域自然語言處理問題。
  1. 前言
  2. 第一部分 框架
  3. 第1章 金融機(jī)器學(xué)習(xí)簡介
  4. 1.1 金融機(jī)器學(xué)習(xí)應(yīng)用的現(xiàn)狀和前景
  5. 1.1.1 算法交易
  6. 1.1.2 投資組合管理和智能投顧
  7. 1.1.3 欺詐檢測
  8. 1.1.4 貸款、信用卡和保險審核
  9. 1.1.5 自動化和聊天機(jī)器人
  10. 1.1.6 風(fēng)險管理
  11. 1.1.7 資產(chǎn)價格預(yù)測
  12. 1.1.8 衍生品定價
  13. 1.1.9 情感分析
  14. 1.1.10 金融資產(chǎn)結(jié)算
  15. 1.1.11 反洗錢
  16. 1.2 機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能和大數(shù)據(jù)
  17. 1.3 機(jī)器學(xué)習(xí)類型
  18. 1.3.1 監(jiān)督學(xué)習(xí)
  19. 1.3.2 無監(jiān)督學(xué)習(xí)
  20. 1.3.3 強(qiáng)化學(xué)習(xí)
  21. 1.4 自然語言處理
  22. 1.5 小結(jié)
  23. 第2章 用Python開發(fā)機(jī)器學(xué)習(xí)模型
  24. 2.1 為什么用Python
  25. 2.2 Python機(jī)器學(xué)習(xí)包
  26. 2.3 Python生態(tài)系統(tǒng)的模型開發(fā)步驟
  27. 2.4 小結(jié)
  28. 第3章 人工神經(jīng)網(wǎng)絡(luò)
  29. 3.1 人工神經(jīng)網(wǎng)絡(luò)：架構(gòu)、訓(xùn)練和超參數(shù)
  30. 3.1.1 架構(gòu)
  31. 3.1.2 訓(xùn)練
  32. 3.1.3 超參數(shù)
  33. 3.2 用Python建人工神經(jīng)網(wǎng)絡(luò)模型
  34. 3.2.1 安裝Keras等機(jī)器學(xué)習(xí)包
  35. 3.2.2 提高人工神經(jīng)網(wǎng)絡(luò)模型運(yùn)行速度：GPU和云服務(wù)
  36. 3.3 小結(jié)
  37. 第二部分 監(jiān)督學(xué)習(xí)
  38. 第4章 監(jiān)督學(xué)習(xí)：模型和概念
  39. 4.1 監(jiān)督學(xué)習(xí)模型概覽
  40. 4.1.1 線性回歸（普通最小二乘法）
  41. 4.1.2 正則化回歸
  42. 4.1.3 對數(shù)概率回歸
  43. 4.1.4 支持向量機(jī)
  44. 4.1.5 k近鄰
  45. 4.1.6 線性判別分析
  46. 4.1.7 分類回歸樹
  47. 4.1.8 集成模型
  48. 4.1.9 人工神經(jīng)網(wǎng)絡(luò)模型
  49. 4.2 模型性能
  50. 4.2.1 過擬合和欠擬合
  51. 4.2.2 交叉檢驗
  52. 4.2.3 評估指標(biāo)
  53. 4.3 模型選擇
  54. 4.3.1 影響模型選擇的因素
  55. 4.3.2 模型取舍
  56. 4.4 小結(jié)
  57. 第5章 監(jiān)督學(xué)習(xí)：回歸（含時間序列模型）
  58. 5.1 時間序列模型
  59. 5.1.1 拆解時間序列
  60. 5.1.2 自相關(guān)性和平穩(wěn)性
  61. 5.1.3 傳統(tǒng)時間序列模型（包括ARIMA模型）
  62. 5.1.4 時間序列建模的深度學(xué)習(xí)方法
  63. 5.1.5 為監(jiān)督學(xué)習(xí)模型調(diào)整時間序列數(shù)據(jù)
  64. 5.2 案例研究1：股價預(yù)測
  65. 5.3 案例研究2：衍生品定價
  66. 5.4 案例研究3：投資者風(fēng)險容忍度和智能投顧
  67. 5.5 案例研究4：收益率曲線預(yù)測
  68. 5.6 小結(jié)
  69. 5.7 練習(xí)
  70. 第6章 監(jiān)督學(xué)習(xí)：分類
  71. 6.1 案例研究1：欺詐檢測
  72. 6.2 案例研究2：預(yù)測借款拖欠概率
  73. 6.3 案例研究3：比特幣交易策略
  74. 6.4 小結(jié)
  75. 6.5 練習(xí)
  76. 第三部分 無監(jiān)督學(xué)習(xí)
  77. 第7章 無監(jiān)督學(xué)習(xí)：降維
  78. 7.1 降維技術(shù)
  79. 7.1.1 主成分分析
  80. 7.1.2 核主成分分析
  81. 7.1.3 t-SNE
  82. 7.2 案例研究1：投資組合管理：尋找特征組合
  83. 7.3 案例研究2：收益率曲線構(gòu)造和利率建模
  84. 7.4 案例研究3：比特幣交易：提高速度和準(zhǔn)確率
  85. 7.5 小結(jié)
  86. 7.6 練習(xí)
  87. 第8章 無監(jiān)督學(xué)習(xí)：聚類
  88. 8.1 聚類技術(shù)
  89. 8.1.1 k均值聚類
  90. 8.1.2 層次聚類
  91. 8.1.3 親和力傳播聚類
  92. 8.2 案例研究1：配對交易聚類
  93. 8.3 案例研究2：投資組合管理：投資者聚類
  94. 8.4 案例研究3：層次風(fēng)險平價
  95. 8.5 小結(jié)
  96. 8.6 練習(xí)
  97. 第四部分 強(qiáng)化學(xué)習(xí)和自然語言處理
  98. 第9章 強(qiáng)化學(xué)習(xí)
  99. 9.1 強(qiáng)化學(xué)習(xí)的理論和概念
  100. 9.1.1 強(qiáng)化學(xué)習(xí)建?？蚣?
  101. 9.1.2 強(qiáng)化學(xué)習(xí)模型
  102. 9.1.3 強(qiáng)化學(xué)習(xí)的主要挑戰(zhàn)
  103. 9.2 案例研究1：用強(qiáng)化學(xué)習(xí)實現(xiàn)交易策略
  104. 9.3 案例研究2：衍生品對沖
  105. 9.4 案例研究3：投資組合分配
  106. 9.5 小結(jié)
  107. 9.6 練習(xí)
  108. 第10章 自然語言處理
  109. 10.1 Python的NLP庫
  110. 10.1.1 NLTK庫
  111. 10.1.2 TextBlob庫
  112. 10.1.3 spaCy庫
  113. 10.2 NLP理論和概念
  114. 10.2.1 預(yù)處理
  115. 10.2.2 特征表示
  116. 10.2.3 推斷
  117. 10.3 案例研究1：用NLP和情感分析技術(shù)實現(xiàn)交易策略
  118. 10.4 案例研究2：聊天機(jī)器人數(shù)字助理
  119. 10.5 案例研究3：文檔摘要
  120. 10.6 小結(jié)
  121. 10.7 練習(xí)
書名：金融機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)實踐
譯者：杜春曉 譯
國內(nèi)出版社：中國電力出版社
出版時間：2022年11月
頁數(shù)：429
書號：978-7-5198-6963-2
原版書書名：Machine Learning and Data Science Blueprints for Finance
原版書出版商：O'Reilly Media
Hariom Tatsat
 
Hariom Tatsat現(xiàn)任紐約投行量化分析部副總。Hariom擁有豐富的預(yù)測建模、金融工具定價和風(fēng)險管理經(jīng)驗。他曾在多家國際投行和金融機(jī)構(gòu)擔(dān)任量化分析專家。他從美國加州大學(xué)伯克利分校獲理學(xué)碩士（MS）學(xué)位，從印度理工學(xué)院獲工程學(xué)士（BE）學(xué)位。Hariom已通過FRM（Financial Risk Manager，金融風(fēng)險管理師）認(rèn)證和CQF（Certificate in Quantitative Finance，國際量化金融認(rèn)證）認(rèn)證。他還通過了CFA（Chartered Financial Analyst，特許金融分析師）二級考試，已報名CFA三級考試，正在備考。
 
 
Sahil Puri
 
Sahil Puri是一名量化研究員。其工作包括測試模型假設(shè)，為多種資產(chǎn)類型尋找策略。Sahil曾用多種統(tǒng)計和機(jī)器學(xué)習(xí)技術(shù)解決各種問題。他做過文本特征生成、曲線異常標(biāo)注、非線性風(fēng)險因素檢測和時序預(yù)測。他從加州大學(xué)伯克利分校獲理學(xué)碩士學(xué)位，從印度理工學(xué)院德里分校獲工程學(xué)士學(xué)位。
 
 
Brad Lookabaugh
 
Brad Lookabaugh現(xiàn)任舊金山房地產(chǎn)投資創(chuàng)業(yè)公司Union Home Ownership Investors副總，負(fù)責(zé)投資組合管理。他的工作重點是，在業(yè)務(wù)流程、內(nèi)部系統(tǒng)和客戶產(chǎn)品中實現(xiàn)機(jī)器學(xué)習(xí)和投資決策模型。他從加州大學(xué)伯克利分校獲金融工程方向的理學(xué)碩士學(xué)位，該段求學(xué)經(jīng)歷類似前兩位作者。
 
 
本書封面上的動物是鵪鶉（學(xué)名：Coturnix coturnix）。這是一種候鳥，繁殖地見于歐洲、土耳其、中亞到中國的廣闊地帶，越冬地則在東南亞和非洲大陸。
鵪鶉體型小而圓，身被棕色條紋，眉紋白色，雄鳥頦為白色。其翅可長達(dá)數(shù)英寸，實為遷徙之悍將。這般體型和羽毛，使其與環(huán)境渾然一體。其貌不揚(yáng)，善隱匿，故人眼難以率先發(fā)現(xiàn)鵪鶉，多是先聽到雄鳥猝然而發(fā)的粗重哨聲，才覺察其存在。
鵪鶉主要以草籽、谷粒和堅果為食，但雌鳥繁殖卻需高蛋白食物，故亦食昆蟲、螞蟻、蚯蚓和其他小昆蟲。不論啄食被風(fēng)吹散的草籽還是昆蟲，鵪鶉主要在地面進(jìn)食。鵪鶉盡管遷徙距離漫長，但即便受到驚擾，它們也不太愛飛。
早在公元5000年前，埃及象形文字就已出現(xiàn)鵪鶉的身影。而自建大金字塔起，鵪鶉就已成為人類的食物。歐洲鵪鶉每窩產(chǎn)蛋13枚，幼雛11天就可以飛動。
盡管鵪鶉當(dāng)前的保護(hù)級別為低危級，但是大規(guī)模誘捕使該物種數(shù)量不斷下降。
購買選項
定價：128.00元
書號：978-7-5198-6963-2
出版社：中國電力出版社