人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习（ML）的交易策略相关知识的需求。《机器学习在算法交易中的应用（第2版）》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch，重点介绍深度学习和强化学习在交易策略设计中的应用。 《机器学习在算法交易中的应用（第2版）》通过大量示例，详细介绍了如何使用不同机器学习算法设计交易策略，并通过大量的数学及统计知识，帮助读者更好地理解算法调优过程及整个计算过程。特别适合想获得用于交易的机器学习算法相关知识或想设计交易策略的数据分析师、数据科学家、Python开发人员、投资分析师或投资组合经理参考学习。

第1章算法简介1．1简介1．2算法的重要性1．3算法历史1．4算法：定义1．5编写算法的方法1．6设计与分析vs．分析与设计1．7现在与未来1．8书的流向第2章功能的增长2．1引言2．2基本数学概念2．3渐近符号2．4渐近比较的性质2．5与渐近符号有关的定理第三章递归3．1简介3．2兔子问题3．3从递归公式导出显式公式3．4求解递归方程3．5求解非线性递归方程3．6生成函数第四章算法分析4．1引言4．2递归算法的复杂性4．3通过树法求复杂度4．4验证技术4．5摊销分析4．6概率分析4．7尾递归第5章基本数据结构5．1引言5．2抽象数据类型5．3数组5．4链表5．5堆栈5．6队列第六章6．1简介6．2二叉树6．3树的表示6．4树木的应用6．5树遍历6．6在进行预遍历和有序遍历时绘制树6．7二进制搜索树6．8 B树6．9堆6．10创建堆6．11从堆中删除6．12堆排序6．13二项式和斐波那契堆6．14平衡树第7章图形7．1简介7．2图的概念7．3图的表示7．4循环图：哈密顿循环和欧拉循环7．5同构图和平面图7．6图遍历7．7连接的组件7．8拓扑排序7．9生成树第8章按线性和二次时间排序8．1简介8．2排序8．3分类8．4选择排序8．5气泡排序8．6插入排序8．7递减排序8．8计数排序8．9基数排序8．10桶分类第9章分而治之9．1简介9．2分而治之的概念9．3大师定理9．4快速排序9．5合并排序9．6选择9．7凸包9．8 Strassens矩阵乘法9．9 N点之间的最小距离9．10其他问题．7 NP难题