本书以促进统计学、信息科学和金融经济学等多学科的融合与交叉发展为理念，以大数据时代超高维稀疏网络模型及其应用为目标，坚持学术研究和现实应用两个导向，站在资源配置和投资组合优化的角度对金融市场全面风险管理问题进行实证研究，为实现高水平网络风险管理和防范金融系统性风险提出理论依据和可操作的技术思路。同时，在经济结构面临调整和转型、宏观审慎监管背景下，将超高维数据网络的风险传染和溢出纳人全面风险管理的框架，通过机器学习等人工智能技术快速海量地进行分析、拟合、预测，利用历史数据和经济规律及内在逻辑预测未来金融市场变化，以人工智能的方式进行投资组合调整，通过对成功交易决策的不断训练，从其经验中学习并作出更准确的交易，构建和设计有效的量化投资策略，探讨人工智能在金融投资领域应用的新思路。

第一章 绪论
第一节 研究背景与意义
第二节 相关文献研究综述
第三节 研究内容与结构安排
第四节 研究思路与方法
第五节 主要特色和创新点
第二章 高维数据降维理论、方法与模型
第一节 高维数据降维的关键技术及方法
第二节 基于人工智能的降维方法
第三节 本章小结
第三章 超高维非线性集成降维理论、方法与应用
第一节 超高维非线性集成降维模型及应用
第二节 构建双重群组、低秩分块的多因子核范数矩阵回归模型
第三节 构建多源异构的多目标、多因子非线性资产定价体系
第四节 资产组合优化及金融市场风险管理应用研究
第五节 本章小结
第四章 超高维稀疏低秩的矩阵回归模型及其组合风险管理策略
第一节 高维数据降维及投资组合研究回顾
第二节 多目标回归的投资组合优化模型
第三节 稀疏回归的组合优化
第四节 实证研究
第五节 本章小结
第五章 图嵌入下稀疏低秩集成预测的多因子资产选择策略
第一节 多源融合的集成预测模型
第二节 量化多因子资产选择
第三节 实证研究
第四节 本章小结
第六章 超高维环境下超指数膨胀的连续时间组合风险管理
第一节 超高维风险资产的非线性集成降维策略
第二节 基于定向循环支持向量机的多因子资产分类模型
第三节 超指数膨胀的连续时间投资组合优化模型
第四节 实证研究
第五节 本章小结
第七章 基于深度学习的超高维连续时间资产组合管理策略
第一节 深度融合网络的多因子资产组合选择模型
第二节 均值一方差一熵的连续时间组合风险管理模型
第三节 BP神经网络的函数通近算法及二次优化
第四节 实证研究
第五节 本章小结
第八章 金融网络风险下多因子矩阵回归的资产组合与定价
第一节 基于最小生成树的网络风险叠加模型
第二节 多因子矩阵回归的组合优化
第三节 实证研究
第四节 本章小结
第九章 超高维稀疏网络重构的资产组合选择策略
第一节 基于CNN-RNN-SVM深度学习的多因子资产选择模型
第二节 增强型指数的投资组合优化模型
第三节 实证研究
第四节 本章小结
第十章 总结与展望
参考文献