内容简介
《机器学习在量化投资中的应用研究》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。
机器学习在量化投资中的应用研究
当前位置:首页 > 管理 > 金融/投资 > 机器学习在量化投资中的应用研究
作者:汤凌冰 著出版社:电子工业出版社出版时间:2014年11月
- 版 次：1
- 页 数：
- 字 数：
- 印刷时间：2014年11月01日
- 开 本：16开
- 纸 张：胶版纸
- 包 装：平装
- 是否套装：否
- 国际标准书号ISBN：9787121244940
- 丛书名：量化投资与对冲基金丛书
编辑推荐
推荐购买：
《机器学习在量化投资中的应用研究》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。本书可供计算机、信息管理与金融类专业高年级本科生与研究生使用，也可供从事机器学习技术与应用研究的科研人员、金融市场数据分析人员以及机器学习软件开发人员参考。
目 录
第1章 绪论
1.1 背景与意义
1.2 国内外研究现状
1.2.1 金融时间序列方法
1.2.2 机器学习方法
1.2.3 小波与流形方法
1.3 本书主要内容与逻辑结构
1.3.1 内容安排
1.3.2 逻辑结构
第2章 统计学习与机器学习
2.1 计算学习理论
2.1.1 学习问题表述
2.1.2 统计学习理论
2.1.3 可能近似正确学习模型
1.1 背景与意义
1.2 国内外研究现状
1.2.1 金融时间序列方法
1.2.2 机器学习方法
1.2.3 小波与流形方法
1.3 本书主要内容与逻辑结构
1.3.1 内容安排
1.3.2 逻辑结构
第2章 统计学习与机器学习
2.1 计算学习理论
2.1.1 学习问题表述
2.1.2 统计学习理论
2.1.3 可能近似正确学习模型
在线试读部分章节
前言
诺贝尔经济学奖得主罗伯特·默顿（Robert Merton）认为现代金融理论由资金的时间价值、资产定价与风险管理三大支柱构成，其核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。基于这一理解，斯坦利·R·普利斯卡从整个数理金融领域归纳出了随机过程与随机控制两类基本模型。显然，前者是后者的前提与基础。因而，作为离散随机过程的金融时间序列必然是金融模型研究的基石与关键。同时，鉴于股指收益序列与波动率序列在投资组合和风险规避中的重要作用，本书拟围绕其展开研究。
与传统统计学相比，统计学习理论（Statistical Learning Theory，SLT）是一种专门研究小样本情况下机器学习规律的新型理论。该理论针对小样本统计问题建立了一套全新的理论体系，其统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。因此，本书拟基于统计学习理论，以机器学习为工具，进行股指收益序列与波动率序列的建模研究。
本书讨论了模糊神经网络在股价预测中的应用。模糊神经网络克服模糊规则产生对专家的依赖性及模糊集的非自适应性，隶属函数的自适应和模糊规则的自组织通过神经网络的自学习和竞争获得。通过一个股价预测实例验证了该方法的有效性。接着，本书将支持向量回归机这一新型神经网络应用于收益序列预测的回归分析，力求在克服数据过拟合现象的基础上寻找问题的全局最优解。通过交叉验证选择学习参数。实验表明基于二次规划与核函数理论的高斯核函数支持向量回归机能准确捕捉动态股票收益序列的波形特征，其预测性能与多层感知器以及广义回归神经网络进行比较，具有较为明显的优势。
基于小波理论，本书提出了小波核的一种新型构造方法。用高维母小波函数直接生成小波框架，通过缩放与平移产生平方可积空间中的一个完备基，从而构造出满足Mercer条件的小波核函数。该核在理论上具有任意逼近平方可积空间中目标函数的优点。实验表明与高斯等核函数相比具有多分辨率特性的小波核确实能较好地逼近目标函数。
基于流形理论，本书提出了一种新的流形小波核。该核借鉴了Amari 提出的依据数据流形几何特征修改核函数进而增进分类性能的思想方法，通过缩减超平面附近的黎曼距离处理回归问题。该核具有融入支持向量数据依赖知识的优点。实验表明流形小波核能比高斯等核函数更好地捕捉曲线性状。
基于样条理论，本书提出了一种新的样条小波核。用一维样条母小波通过平移与缩放产生一维样条小波核函数，接着依据乘法原理，生成高维样条小波核函数。该核具有函数形式简单与支集小等优点。实验表明样条小波核解析波动特征的能力比高斯等核函数要强。
针对金融时间序列自身的高噪声、动态与混沌等特性，本书提出了新型小波支持向量机-股价动力学模型。该模型具有所需样本小、泛化性能好、全局最优与高容噪性等优点。与高斯等核函数相比，其多分辨特性使得该模型各主要预测性能指标在模拟数据与真实股指数据实验中占优，因而能较好地分析股指收益。
诺贝尔经济学奖得主罗伯特·默顿（Robert Merton）认为现代金融理论由资金的时间价值、资产定价与风险管理三大支柱构成，其核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。基于这一理解，斯坦利·R·普利斯卡从整个数理金融领域归纳出了随机过程与随机控制两类基本模型。显然，前者是后者的前提与基础。因而，作为离散随机过程的金融时间序列必然是金融模型研究的基石与关键。同时，鉴于股指收益序列与波动率序列在投资组合和风险规避中的重要作用，本书拟围绕其展开研究。
与传统统计学相比，统计学习理论（Statistical Learning Theory，SLT）是一种专门研究小样本情况下机器学习规律的新型理论。该理论针对小样本统计问题建立了一套全新的理论体系，其统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。因此，本书拟基于统计学习理论，以机器学习为工具，进行股指收益序列与波动率序列的建模研究。
本书讨论了模糊神经网络在股价预测中的应用。模糊神经网络克服模糊规则产生对专家的依赖性及模糊集的非自适应性，隶属函数的自适应和模糊规则的自组织通过神经网络的自学习和竞争获得。通过一个股价预测实例验证了该方法的有效性。接着，本书将支持向量回归机这一新型神经网络应用于收益序列预测的回归分析，力求在克服数据过拟合现象的基础上寻找问题的全局最优解。通过交叉验证选择学习参数。实验表明基于二次规划与核函数理论的高斯核函数支持向量回归机能准确捕捉动态股票收益序列的波形特征，其预测性能与多层感知器以及广义回归神经网络进行比较，具有较为明显的优势。
基于小波理论，本书提出了小波核的一种新型构造方法。用高维母小波函数直接生成小波框架，通过缩放与平移产生平方可积空间中的一个完备基，从而构造出满足Mercer条件的小波核函数。该核在理论上具有任意逼近平方可积空间中目标函数的优点。实验表明与高斯等核函数相比具有多分辨率特性的小波核确实能较好地逼近目标函数。
基于流形理论，本书提出了一种新的流形小波核。该核借鉴了Amari 提出的依据数据流形几何特征修改核函数进而增进分类性能的思想方法，通过缩减超平面附近的黎曼距离处理回归问题。该核具有融入支持向量数据依赖知识的优点。实验表明流形小波核能比高斯等核函数更好地捕捉曲线性状。
基于样条理论，本书提出了一种新的样条小波核。用一维样条母小波通过平移与缩放产生一维样条小波核函数，接着依据乘法原理，生成高维样条小波核函数。该核具有函数形式简单与支集小等优点。实验表明样条小波核解析波动特征的能力比高斯等核函数要强。
针对金融时间序列自身的高噪声、动态与混沌等特性，本书提出了新型小波支持向量机-股价动力学模型。该模型具有所需样本小、泛化性能好、全局最优与高容噪性等优点。与高斯等核函数相比，其多分辨特性使得该模型各主要预测性能指标在模拟数据与真实股指数据实验中占优，因而能较好地分析股指收益。
书摘插画
