本书首先介绍了将大数据集应用于机器学习的基础知识和因子投资的基本理论；之后，本书介绍了监督学习模式下可用于预测金融变量的几个基本机器学习算法，包括惩罚性线性回归、支持向量机等；接下来，本书介绍了将这些机器学习算法应用于金融领域的实战方法和细节；最后，本书讨论了一系列与机器学习和因子投资相关的进阶话题，包括模型的黑箱问题、因果关系问题和无监督学习算法等。 本书适合金融机构从业者以及金融类专业学生系统了解因子投资的理论与方法，以及机器学习算法在因子投资领域的应用。

第1章 符号与数据
1.1 符号
1.2 数据集
第2章 简介
2.1 背景
2.2 投资组合构建流程
2.3 机器学习不是“魔杖”
第3章 因子投资与资产定价异象
3.1 简介
3.2 异象检验
3.3 因子还是特征
3.4 热门话题：动量、择时和ESG
3.5 与机器学习的联系
3.6 代码练习
第4章 数据预处理
4.1 认识你的数据
4.2 缺失值
4.3 异常值检测
4.4 特征工程
4.5 打标签
4.6 处理持续性问题
4.7 扩展
4.8 代码和结果
4.9 代码练习
第5章 惩罚性线性回归和稀疏对冲最小方差组合
5.1 惩罚性线性回归
5.2 稀疏对冲最小方差组合
5.3 预测性回归
5.4 代码练习
第6章 树模型
6.1 简单决策树
6.2 随机森林
6.3 提升树：Adaboost
6.4 提升树：极端梯度提升（extreme gradient boosting）算法
6.5 讨论
6.6 代码练习
第7章 神经网络
7.1 原始感知机
7.2 多层感知机
7.3 其他实际问题
7.4 关于基础多层感知机的代码示例和注释
7.5 循环神经网络
7.6 其他常用架构
7.7 代码练习
第8章 支持向量机
8.1 用SVM进行分类
8.2 用SVM进行回归
8.3 实践
8.4 代码练习
第9章 贝叶斯方法
9.1 贝叶斯框架
9.2 贝叶斯采样
9.3 贝叶斯线性回归
9.4 朴素贝叶斯分类器
9.5 贝叶斯加性回归树
第10章 验证和调参
10.1 学习参数
10.2 验证
10.3 寻找好的参数
10.4 关于验证的简短讨论
第11章 集成模型
11.1 线性集成
11.2 堆叠集成
11.3 扩展
11.4 代码练习
第12章 投资组合回测
12.1 基本设定
12.2 将信号转化为投资组合的权重
12.3 绩效评估
12.4 常见错误和问题
12.5 非平稳性：预测是困难的
12.6 第一个例子：一个完整的回测
12.7 第二个例子：过拟合
12.8 代码练习
第13章 可解释性
13.1 全局模型
13.2 局部模型
第14章 两个关键概念：因果关系和非平稳性
14.1 因果关系
14.2 处理不断变化的环境
第15章 无监督学习
15.1 预测变量的相关性问题
15.2 主成分分析和自编码器
15.3 k-means聚类
15.4 最近邻方法
15.5 代码练习
第16章 强化学习
16.1 理论布局
16.2 维度灾难
16.3 策略梯度
16.4 简单案例
16.5 结束语
16.6 练习
附录1 变量说明
附录2 练习答案
附录3 Python代码
参考文献