隨著計算機技術(shù)在運算能力、數(shù)據(jù)存儲等方面的快速發(fā)展，傳統(tǒng)股票投資方法的弊端被不斷放大，新興的量化投資方法受到人們的廣泛關(guān)注，依賴計算機技術(shù)的機器學(xué)習(xí)算法越來越多的應(yīng)用在股票研究領(lǐng)域之中。支持向量機、K緊鄰、遺傳算法等多種機器學(xué)習(xí)算法都被成功應(yīng)用于量化投資領(lǐng)域，本書改進了FA算法的動態(tài)搜索能力，將MFA算法應(yīng)用于變量的選取及參數(shù)尋優(yōu)，系統(tǒng)地構(gòu)建了基于MFA-SVM的量化擇時模型；針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層數(shù)不足等局限性，提出一種適用于股票擇時問題的混合CNN-RNN模型，由一維CNN模塊（卷積層和池化層）、RNN模塊（雙層LSTM和雙層GRU）、ReLU激活函數(shù)層組成，并進行了實證研究，為相關(guān)學(xué)者后續(xù)研究提供了新思路和新方法。本書可供信息管理與金融類專業(yè)高年級本科生與研究生使用，也可供從事機器學(xué)習(xí)技術(shù)與應(yīng)用研究的科研人員、金融市場數(shù)據(jù)分析人員以及機器學(xué)習(xí)軟件開發(fā)人員參考。.