滿額折
機器學習在量化金融中的應用（簡體書）
- ISBN13：9787302565963
- 出版社：清華大學出版社(大陸)
- 作者：倪好; 于光希; 鄭勁松
- 裝訂／頁數：平裝／207頁
- 規格：24cm*17cm (高/寬)
- 版次：一版
- 出版日：2021/02/01
相關商品
商品簡介
商品簡介
本書是資深金融數據分析專家多年工作的結晶。書中深入淺出地闡釋機器學習的數學基礎及其在金融數據分析領域的應用。
全書共分9章。第1章介紹機器學習的發展狀況並概述機器學習在金融中的應用。第2章介紹監督學習的通用框架。第3章描述最簡單的線性回歸模型――普通最小二乘法以及正則化方法――嶺回歸和套索回歸，並討論線性模型及非線性的回歸和分類方法。第4章討論監督學習中的樹模型，包括決策樹、隨機森林和梯度提升樹。第5章重點介紹三種主要的神經網絡：人工神經網絡、卷積神經網絡和循環神經網絡。第6章和第7章介紹無監督學習，主要包括聚類分析和主成分分析。第8章重點介紹強化學習在投資組合優化中的應用。第9章以一個流行的數據挑戰項目為例，使用前幾章介紹的機器學習方法預測金融違約風險，為讀者提供解決實際數據問題的經驗。
本書內容豐富，理論嚴謹，案例翔實，不僅包括完整的理論推導，而且囊括可用於實際項目的案例代碼，適合高等院校計算機及相關專業的高年級本科生或者研究生閱讀，也可以作為機器學習愛好者及金融分析師等的參考用書。
全書共分9章。第1章介紹機器學習的發展狀況並概述機器學習在金融中的應用。第2章介紹監督學習的通用框架。第3章描述最簡單的線性回歸模型――普通最小二乘法以及正則化方法――嶺回歸和套索回歸，並討論線性模型及非線性的回歸和分類方法。第4章討論監督學習中的樹模型，包括決策樹、隨機森林和梯度提升樹。第5章重點介紹三種主要的神經網絡：人工神經網絡、卷積神經網絡和循環神經網絡。第6章和第7章介紹無監督學習，主要包括聚類分析和主成分分析。第8章重點介紹強化學習在投資組合優化中的應用。第9章以一個流行的數據挑戰項目為例，使用前幾章介紹的機器學習方法預測金融違約風險，為讀者提供解決實際數據問題的經驗。
本書內容豐富，理論嚴謹，案例翔實，不僅包括完整的理論推導，而且囊括可用於實際項目的案例代碼，適合高等院校計算機及相關專業的高年級本科生或者研究生閱讀，也可以作為機器學習愛好者及金融分析師等的參考用書。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。