第 1 章 符號(hào)與數(shù)據(jù)

1.1 符號(hào)

1.2 數(shù)據(jù)集

第 2 章 簡(jiǎn)介

2.1 背景

2.2 投資組合構(gòu)建流程

2.3 機(jī)器學(xué)習(xí)不是“魔杖”

第3 章 因子投資與資產(chǎn)定價(jià)異象

3.1 簡(jiǎn)介

3.2 異象檢驗(yàn)

3.3 因子還是特征

3.4 熱門(mén)話題：動(dòng)量、擇時(shí)和ESG

3.5 與機(jī)器學(xué)習(xí)的聯(lián)系

3.6 代碼練習(xí)

第4 章 數(shù)據(jù)預(yù)處理

4.1 認(rèn)識(shí)你的數(shù)據(jù)

4.2 缺失值

4.3 異常值檢測(cè)

4.4 特征工程

4.5 打標(biāo)簽

4.6 處理持續(xù)性問(wèn)題

4.7 擴(kuò)展

4.8 代碼和結(jié)果

4.9 代碼練習(xí)

第5 章 懲罰性線性回歸和稀疏對(duì)沖最小方差組合

5.1 懲罰性線性回歸

5.2 稀疏對(duì)沖最小方差組合

5.3 預(yù)測(cè)性回歸

5.4 代碼練習(xí)

第6 章 樹(shù)模型

6.1 簡(jiǎn)單決策樹(shù)

6.2 隨機(jī)森林

6.3 提升樹(shù)：Adaboost

6.4 提升樹(shù)：極端梯度提升（extreme gradient boosting）算法

6.5 討論

6.6 代碼練習(xí)

第7 章 神經(jīng)網(wǎng)絡(luò)

7.1 原始感知機(jī)

7.2 多層感知機(jī)

7.3 其他實(shí)際問(wèn)題

7.4 關(guān)于基礎(chǔ)多層感知機(jī)的代碼示例和注釋

7.5 循環(huán)神經(jīng)網(wǎng)絡(luò)

7.6 其他常用架構(gòu)

7.7 代碼練習(xí)

第8 章支持向量機(jī)

8.1 用SVM 進(jìn)行分類(lèi)

8.2 用SVM 進(jìn)行回歸

8.3 實(shí)踐

8.4 代碼練習(xí)

第9章 貝葉斯方法

9.1　貝葉斯框架

9.2 貝葉斯采樣

9.3 貝葉斯線性回歸

9.4　樸素貝葉斯分類(lèi)器

9.5 貝葉斯加性回歸樹(shù)

第 10章 驗(yàn)證和調(diào)參

10.1 學(xué)習(xí)參數(shù)

10.2 驗(yàn)證

10.3 尋找好的參數(shù)

10.4 關(guān)于驗(yàn)證的簡(jiǎn)短討論

第 11章 集成模型

11.1 線性集成

11.2 堆疊集成

11.3 擴(kuò)展

11.4 代碼練習(xí)

第 12章 投資組合回測(cè)

12.1 基本設(shè)定

12.2 將信號(hào)轉(zhuǎn)化為投資組合的權(quán)重

12.3 績(jī)效評(píng)估

12.4 常見(jiàn)錯(cuò)誤和問(wèn)題

12.5 非平穩(wěn)性：預(yù)測(cè)是困難的

12.6 第 一個(gè)例子：一個(gè)完整的回測(cè)

12.7 第二個(gè)例子：過(guò)擬合

12.8 代碼練習(xí)

第 13 章 可解釋性

13.1 全局模型

13.2 局部模型

第 14 章兩個(gè)關(guān)鍵概念：因果關(guān)系和非平穩(wěn)性

14.1 因果關(guān)系

14.2 處理不斷變化的環(huán)境

第 15 章無(wú)監(jiān)督學(xué)習(xí)

15.1 預(yù)測(cè)變量的相關(guān)性問(wèn)題

15.2 主成分分析和自編碼器

15.3 k -means 聚類(lèi)

15.4 最近鄰方法

15.5 代碼練習(xí)

第 16 章強(qiáng)化學(xué)習(xí)

16.1 理論布局

16.2 維度災(zāi)難

16.3 策略梯度

16.4 簡(jiǎn)單案例

16.5 結(jié)束語(yǔ)

16.6 練習(xí)

附錄1 變量說(shuō)明

附錄2 練習(xí)答案

附錄3 Python代碼（掃書(shū)中二維碼獲�。�

參考文獻(xiàn)（掃書(shū)中二維碼獲取）