近年来，机器学习和数据科学在投资中发挥着越来越大的作用。借助机器学习和大数据，投资经理能够做出以往传统模型无法实现的预测，进而做出明智的决策。然而，在投资中，并不是所有的数据集和机器学习技术都对金融投资有用，也不是所有的机器学习技术都可以“即插即用”。 这本书由资深量化分析专家托尼·吉达主编，汇集来自买方、卖方及量化研究的全明星作者团队的前沿分享，阐释如何应用机器学习和大数据技术来解决投资问题并提高投资绩效。这本书共有13章，理论严谨，案例丰富，内容涵盖： 机器学习在投资管理中的应用现状和前景 另类数据和大数据在宏观交易中的应用 处理大数据集的难点和解决方案 挖掘社交媒体数据集分析企业文化 使用自然语言处理技术进行投资者情绪分析 基于支持向量回归的全球战术性资产配置策略 强化学习和深度学习在投资组合优化中的应用 可以作为量化投资从业者、金融算法研究人员、高等院校计算机专业和金融工程专业的师生以及机器学习爱好者的参考用书。

第1章 算法能构建出具有人类智慧的alpha吗
1.1 导读
1.2 重复或是重塑
1.3 用机器学习重塑投资
1.4 信任问题
1.5 经济存在主义∶一项宏大设计抑或一次偶然事件
1.6 这一系统究竟是什么
1.7 动态预测与新方法论
1.8 基本面因子、预测与机器学习
1.9 结论：寻找投资中的“钉子”
第2章 控制大数据
2.1 导读
2.2 使用另类数据的驱动因素
2.3 另类数据类型、形式与范围
2.4 如何判断哪些另类数据有用
2.5 另类数据需要多少成本
2.6 案例研究
2.7 使用另类数据的明显趋势
2.8 结论
第3章 机器学习在投资管理中的应用现状
3.1 导读
3.2 数据无处不在
3.3 人工智能应用图谱
3.4 行业间的相互联系和人工智能的实施推动者
3.5 行业发展前景
3.6 关于未来
3.7 结论
第4章 在投资过程中使用另类数据
4.1 导读
4.2 量化浩劫：激励人们寻找另类数据
4.3 利用好另类数据爆炸带来的好处
4.4 选择要进行评估的数据源
4.5 评估技术
4.6 基本面基金管理者与另类数据
4.7 若干例证
4.8 结论
第5章 使用另类数据和大数据交易宏观资产
5.1 导读
5.2 理解大数据和另类数据的一般概念
5.3 传统建模方法与机器学习
5.4 大数据和另类数据：在宏观交易中的广泛使用
5.5 案例研究：使用大数据和另类数据深入挖掘宏观交易
5.6 结论
第6章 大即为美，从电子邮件收据数据预测公司销售额
6.1 导读
6.2 Quandl的电子邮件收据数据库
6.3 大数据工作中的挑战
6.4 预测公司销售额
6.5 实时预测
6.6 案例研究：亚马逊销售案例
第7章 将集成学习应用于量化股票：多因子框架中的梯度提升算法
7.1 导读
7.2 提升树入门
7.3 数据和方案
7.4 建立模型
7.5 结果和讨论
7.6 结论
第8章 企业文化的社交媒体分析
8.1 导读
8.2 文献综述
8.3 数据与样本构建
8.4 推断企业文化
8.5 检验结果
8.6 结论
第9章 能源期货交易的机器学习与事件检测
9.1 导读
9.2 数据说明
9.3 模型框架
9.4 表现
9.5 结论
第10章 财经新闻中的自然语言处理
10.1 导读
10.2 新闻数据来源
10.3 实际应用
10.4 自然语言处理
10.5 数据及方法论
10.6 结论
第11章 基于支持向量机的全球战术性资产配置
11.1 导读
11.2 过去50年的全球战术性资产配置
11.3 经济学文献中的支持向量机
11.4 基于支持向量回归的全球战术性资产配置策略
11.5 结论
第12章 金融中的强化学习
12.1 导读
12.2 马尔科夫决策过程：决策的一般框架
12.3 理性及决策的不确定性
12.4 均值-方差的等价性
12.5 回报
12.6 组合价值与财富
12.7 具体案例
12.8 结论与进一步的工作
第13章 金融深度学习，基于LSTM网络的股票收益预测
13.1 导读
13.2 相关工作
13.3 金融市场的时间序列分析
13.4 深度学习
13.5 循环神经网络
13.6 长短期记忆网络
13.7 金融模型
13.8 结论
附录
参考文献
译者简介