机器学习在量化投资中的应用研究 在线下载 pdf mobi 2025 epub 电子版

《机器学习在量化投资中的应用研究书名》是国内少有的研究机器学习在量化投资中应用的专著。主要运用多层感知器神经网络、广义自回归神经网络、模糊神经网络与支持向量机对证券时间序列进行回归分析。特别是在支持向量机框架下构造了小波、流形小波与样条小波三种核函数，并在此基础上建立了股指收益与波动预测两类新的量化投资模型。与经典高斯核相比，具备多分辨分析特性的新模型能较好地捕捉曲线性状，各预测指标在模拟数据与真实数据上均占优，表明其具有良好的适用性与有效性。

第1章 绪论

1

1.1 背景与意义

1

1.2 国内外研究现状

3

1.2.1 金融时间序列方法

3

1.2.2 机器学习方法

6

1.2.3 小波与流形方法

10

1.3 本书主要内容与逻辑结构

15

1.3.1 内容安排

15

1.3.2 逻辑结构

17

第2章 统计学习与机器学习

19

2.1 计算学习理论

19

2.1.1 学习问题表述

19

2.1.2 统计学习理论

21

2.1.3 可能近似正确学习模型

22

2.2 神经网络模型

23

2.2.1 多层感知器神经网络模型

23

2.2.2 广义回归神经网络模型

26

2.3 支持向量机理论

28

2.3.1 线性支持向量分类机

29

2.3.2 非线性支持向量分类机

31

2.3.3 支持向量回归机

33

2.4 本章小结

34

第3章 基于模糊神经网络的股票预测模型分析

35

3.1 引言

35

3.2 模糊神经网络模型研究

36

3.2.1 模糊逻辑推理系统结构

36

3.2.2 模糊神经网络分类器

37

3.2.3 模糊神经网络回归机

38

3.3 基于模糊神经网络的股票预测

40

3.3.1 模糊神经网络设计

40

3.3.2 实验结果与分析

42

3.4 本章小结

43

第4章 基于高斯核支持向量机的股票预测模型分析

44

4.1 引言

44

4.2 核函数研究

45

4.2.1 核的构造条件

45

4.2.2 核的构造原则

46

4.2.3 核的主要类型

49

4.3 基于高斯核支持向量机的股票预测

52

4.3.1 数据处理与性能指标

52

4.3.2 实验结果与分析

53

4.4 本章小结

57

第5章 基于小波支持向量机的股票收益模型分析

58

5.1 引言

58

5.2 股票收益的理论研究

59

5.2.1 有效市场假说与布朗运动模型

59

5.2.2 分形市场假说与分数布朗运动模型

61

5.2.3 Hurst指数与重标极差分析

62

5.2.4 混沌动力学模型与Lyapunov指数

64

5.3 基于小波支持向量机的收益模型

65

5.3.1 小波变换与多分辨分析

66

5.3.2 小波核构造与证明

68

5.3.3 实验结果与分析

70

5.4 本章小结

77

第6章 基于小波支持向量机的波动模型分析

79

6.1 引言

79

6.2 波动率模型研究

79

6.2.1 ARCH模型

80

6.2.2 GARCH模型

81

6.2.3 随机波动SV模型

82

6.3 基于小波支持向量机的GARCH模型

84

6.3.1 仿真实验

84

6.3.2 真实数据集实验

86

6.4 本章小结

95

第7章 基于流形小波核的收益序列分析

96

7.1 引言

96

7.2 微分几何基本理论

96

7.3 核函数的几何解释

100

7.4 构造融合先验知识的流形小波核

101

7.5 实验结果与分析

102

7.6 本章小结

107

第8章 基于样条小波核的波动序列分析

108

8.1 引言

108

8.2 样条小波模型研究

108

8.3 样条空间与函数

110

8.3.1 样条函数空间

110

8.3.2 B样条函数定义与性质

112

8.4 样条小波核构造与证明

113

8.5 实验结果与分析

115

8.6 本章小结

119

第9章 结论与展望

120

9.1 本书主要贡献

120

9.2 后续研究展望

122

附录A 微积分

124

A.1 基本定义

124

A.2 梯度和Hesse矩阵

126

A.3 方向导数

126

A.4 Taylor展开式

128

A.5 分离定理

129

附录B Hilbert空间

131

B.1 向量空间

131

B.2 内积空间

134

B.3 Hilbert空间

136

B.4 算子、特征值和特征向量

138

附录C 专题研究期间学术论文与科研项目

140

后记

143

参考文献

144

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习在量化投资中的应用研究在线阅读

在线听书地址：机器学习在量化投资中的应用研究在线收听

在线购买地址：机器学习在量化投资中的应用研究在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

《机器学习在量化投资中的应用研究书名》是国内少有的研究机器学习在量化投资中应用的专著。主要运用多层感知器神经网络、广义自回归神经网络、模糊神经网络与支持向量机对证券时间序列进行回归分析。特别是在支持向量机框架下构造了小波、流形小波与样条小波三种核函数，并在此基础上建立了股指收益与波动预测两类新的量化投资模型。与经典高斯核相比，具备多分辨分析特性的新模型能较好地捕捉曲线性状，各预测指标在模拟数据与真实数据上均占优，表明其具有良好的适用性与有效性。

• 作者：Bing 发布时间：2015-08-30 15:26:30

  跟量化投资不大， 有些章节流于浅尝辄止，定价59元也实在偏高。 书不能这么随意起名字， 也不能这么动不动就动用“华尔街。。。”这样的宣传语， 有误导读者之嫌。书中最重要的预测值与真实值的比较图也是画的一般， 这种图竟然不画的一目了然一点。

• 作者：基瑞尔 发布时间：2022-09-18 18:34:01

  比起三年前让人无语的译名以及翻译上的遮掩，借由剧集开播后的人气加持，终于把Adam的另本书也落实了；致谢里的“伴侣”，最后章节的“他”，没有再回避是件好事。整个排版与设计也更加契合他的文字，读完依然是个足够畅快的过程。对别人而言总是阖家团聚、欢声笑语的圣诞，这里却充斥着各种高压线下的测试与让人哭笑不得的尴尬；就像《凶年》在圣诞夜等待着处理案件的小组，跨越书页去看到不同的人在不同时空、同样的情境下做的事，总是妙不可言。Adam的第三本书，也拜托了。【2022 #150】

• 作者：Meva 发布时间：2017-02-11 01:27:56

  白瞎了一个好名字

• 作者：视阅者 发布时间：2016-11-19 11:49:11

  国图翻了翻，简直垃圾中的战斗机，跟投资有毛关系？

• 作者：李斌 发布时间：2015-08-01 23:36:57

  名字有点追热点的意思，和量化投资的关系不大。

• 作者：阿道克 发布时间：2014-12-04 22:33:08

  应该就是作者的博士论文吧。正确的书名应该是小波分析方法及其应用

• 读《特伦特最后一案》有感

  作者：米虫姫 发布时间：2009-04-20 16:50:54

     我知道这是个非常没有创意的标题……汗

     在刚看完这本书的时候完全不能够理解为什么说此书是作者对传统推理小说的颠覆，但此后，我碰巧看到了一篇名为《刑事案件的证明标准与政局的审查判断》的论文，这才恍然大悟……

      换了一个角度来看，现在我觉得《特伦特最后一案》在写作手法上也许创造性地采用了“叙述性诡计”这一做法，但是作者应该并不是想在写作手法上对传统侦探小说进行颠覆，而是指出了之前的侦探小说普遍存在的一个问题，即侦探们所找到的线索和证据大多缺乏与待证事实之间的关联性，而关联性却是有效证据必不可少的特性。

      在《特》书里，特伦特找到了大量的蛛丝马迹，包括虚假的不在场证明，作案动机，作案工具，以及被怀疑对象故意隐瞒真实情况的行为。然后在此基础上做出了怀疑对象有罪的推论。然而，这些线索，如果要证明那个怀疑对象在那天晚上曾经如此这般的在房内房外逛了一圈是充分的，要证明那个怀疑对象和被害者之间有这样那样的冲突关系也是靠谱的，但是，事实上没有一个证据可以证明被怀疑对象用枪打死了被害者。也就是说，以杀人事件的真相为待证事实的话，那些证据就根本不具备与待证事实之间的关联性。特伦特所找到的那些线索，只能证明对方与案件有关，而不能证明就是对方作的案！

      举一个那篇论文里提到的例子，就算从犯罪现场提取到了与被告人血型一致的血迹，从被告人身上提取了与被害人血型一致的血迹，甚至经DNA鉴定得出两者相符的结论，也只能证明被告人可能与案件有关而不能证明该人就是凶手，并不一定意味着被告人实施了犯罪行为。如要证明被告就是罪犯，那么除了以上这些证据外，还应当有其他证据证明这些血迹就是被告人在犯罪时留下的。

      事实上，这种证据的关联性问题，在很多侦探小说中都可以看到——当然，一般都不是小说主角侦探会犯的错误，而那些配角，例如警察或者主角的蹩脚竞争者就会常常会陷入此类困境——随便哪一打在案发当晚跑到被害者书房窗口外排队露脸的亲戚朋友们就可以把苏格兰场的警探们耍得团团转，因为这些人全都有作案的时间，作案的动机，又出现在作案现场，而且多半不肯老老实实地说出自己的真实行踪，不是三缄其口，就是极尽胡编之能事……但到了最后，这些不高明的谎言自然都会被一一揭穿。于是我们专横的警察或者自以为聪明的蹩脚侦探们就会认为“如果没干过，何必害怕隐瞒？”，于是，线索就变成了铁证……

      当然，主角是不会被表面现象所蒙蔽的，明星侦探一登场就会指出上述的线索其实并不一定会与案件有关：嫌疑人在案发后的言行只能反映她在案发后的态度和想法，之所以隐瞒多半有难言之隐（甚至可能是为了掩饰另一桩性质不这么严重的犯罪行为）；嫌疑人有作案的时间和动机，并不意味着这一案件必定是他干的；哪怕嫌疑人在案发前后在案发现场出现过，也不能得出嫌疑人就是罪犯的结论。

      于是之前那些确凿的证据立刻变得不堪一击，原本不可一世的警察或和蹩脚侦探也立刻沦为情节的铺垫者，以佩服的态度倾听主角的推理。但遗憾的是，在我看过的一些小说中，即便是作为主角的大侦探，也不能将证据的关联性原则坚持到最后，精彩的推理中还是有太多的猜测和分析，以及反推的痕迹。

      记得很多侦探小说的模式（尤其是日式推理），都是先由主角侦探指出，或者看出先前配角们的错误推断，然后这些主角们会四处寻找线索，并在脑中形成一个关于案情真相的轮廓，但是，通常在这个“真相”形成之时，关键性的证据却还无影无踪——这一点最明显就是柯南，看动画片的时候，往往到了一半的时候柯南就会灵光一现，说：“我明白了，但是还缺少关键的证据”后就满世界地找证据。也就是说，这个真相不是建立在证据的基础上的，而是建立在想象的基础上的（《特》一书里，也反复说了好几次“特伦特有丰富的想象力”）。对此，印象最深刻的一集就是发生在北斗星特快专列上的案件了（就是新爸新妈都出场的那一集），最后为了找出关键证据差点就牺牲了有纪子妈妈（真要牺牲了我就要哭死了）……当然，柯南这部东西是不太注重推理的，拿来做例子可能会比较没有说服力，但是它真得很典型呀！

      回过头来想到前一阵子看的《二重身宫》，不禁觉得，这部书里叙述性诡计的一再应用，与其说是不断暴露出杀人线索，不如说在不断改变着这户人家的家庭人员构成。侦探在对凶手身份的揣测基础上，进行案件的推论——然而实际上，杀人凶手是谁的儿子谁的哥哥确实能够搞清杀人动机等问题，但是真的要说明案件就是这个人干的，那就似乎没什么关系了。实际上，这部书里的所有推论都很有道理，我至今觉得，最后那个推论之所以是正确的，只不过是因为它是最后的推论，如果作者还想写下去，完全可以再弄出一个推论来推翻这个推论……从这个意义上来讲，我倒觉得这才是对推理小说的一种讽刺……

      也许，《特》书作者探究的只是“逻辑上合理却不是真相”的可能，但是事实上，书中案件的真相无法与推论吻合，并不在于逻辑与现实的矛盾，而在于这个逻辑本来就是建立在错误的基础之上。而之所以特伦特经此以后金盆洗手，再也不干了，一方面可能正如书中所说，是由于其自尊心作祟，另一方面，则是因为以侦探小说中所推崇的那种推理手段是无法解决现实中的案件的。事实上，以办案人员的主观臆断和揣测来确定案件真相是最最危险的，也是造成许多错案的根源。书中的名侦探们是不会犯错的（即便错了，最后也会自己修正），但是现实中的侦探们可没有那样深厚的功力……

• 蛋疼的翻译

  作者：LittleMod 发布时间：2014-08-27 08:51:39

  5星是给书内容本身的，3星是给翻译的。这翻译实在是让人不敢恭维，很多地方的翻译都不准确。对于书里面的很多内容，我其实是知道的，但是因为翻译的问题导致理解起来十分费力。很多科学名词翻译都不准确，比如将“unitary matrix”翻译成“单位矩阵”，将“square matrix”翻译成“平方矩阵”，等等。并且很多翻译感觉上就是生硬的直译，有的翻译甚至和机器翻译差不多，简直叫人无语。

  其实书本身内容不错，结构合理框架清晰，但是作为教材的话，这本中文译本不太建议，因为翻译实在是蛋疼。