本书分为三个部分，每部分都涵盖理论和应用。第一部分从贝叶斯和频数论的角度提出了横截面数据的监督学习。该部分强调神经网络，包括深度学习以及高斯过程，并提供投资管理和衍生模型的示例。第二部分介绍了时间序列数据的监督学习，时间序列数据可以说是金融中最常用的数据类型，并举例说明了交易、随机波动性和固定收益建模。第三部分介绍了强化学习及其在交易、投资和财富管理中的应用。本文提供了Python代码示例，以帮助读者理解方法和应用程序。
马修·狄克逊（Matthew Dixon）博士，金融风险管理师（FRM），是伊利诺伊理工学院应用数学助理教授。他已经发表了20多篇关于机器学习和定量金融方面的文章，并被《彭博市场》和英国《金融时报》援引为金融科技领域的人工智能专家。 伊戈尔·哈珀林（Igor Halperin）博士是纽约大学金融工程教授，也是美国富达投资集团(富达基金)（Fidelity Investments）的人工智能研究员。伊戈尔在机器学习、定量金融和理论物理方面发表了50多篇文章。 保罗·比洛克（Paul Bilokon）博士是Thalesian有限公司的首席执行官和创始人。保罗在数理逻辑、随机过滤理论方面贡献突出，他是英国计算机学会、工程学会和欧洲复杂系统学会的成员。
第一部分基于横截面数据的机器学习
第1章 引论 3
1.1 背景 3
1.2 机器学习与预测 7
1.3 统计建模与机器学习 15
1.4 强化学习 21
1.5 实践中监督机器学习的示例 27
1.6 本章小结 39
1.7 习题 40
第2章 概率建模 48
2.1 简介 48
2.2 贝叶斯 vs.频率估计 49
2.3 从数据中进行频率推断 51
2.4 评估估计量的质量：偏差和方差 54
2.5 关于估计量的偏差-方差权衡(困境) 56
2.6 从数据中进行贝叶斯推断 56
2.7 模型选择 63
2.8 概率图模型 69
2.9 本章小结 74
2.10 习题 75
第3章 贝叶斯回归和高斯过程 80
3.1 简介 80
3.2 线性回归的贝叶斯推断 81
3.3 高斯过程回归 89
3.4 大规模可缩放高斯过程 94
3.5示例：使用单-GP进行定价和希腊值计算 96
3.6多响应高斯过程 101
3.7 本章小结 103
3.8 习题 104
第4章 前馈神经网络 109
4.1 简介 109
4.2 前馈架构 110
4.3 凸性与不等式约束 129
4.4 训练、确认和测试 136
4.5 随机梯度下降 139
4.6 贝叶斯神经网络 144
4.7 本章小结 148
4.8 习题 148
第5章 可解释性 165
5.1 简介 165
5.2 关于可解释性的背景 165
5.3 神经网络的解释力 167
5.4 交互效应 168
5.5 雅可比矩阵方差的界 171
5.6因子建模 175
5.7本章小结 181
5.8练习 182
第二部分 序贯学习
第6章 序贯建模 189
6.1 简介 189
6.2 自回归建模 190
6.3 拟合时间序列模型：Box-Jenkins方法 201
6.4 预测 206
6.5 主成分分析 209
6.6 本章小结 212
6.7 习题 213
第7章 概率序列建模 216
7.1 简介 216
7.2 隐马尔可夫建模 217
7.3 粒子滤波 222
7.4 随机滤波器的点校准 225
7.5 随机滤波器的贝叶斯校准 227
7.6 本章小结 229
7.7 习题 229
第8章 高级神经网络 234
8.1 简介 234
8.2 循环神经网络 235
8.3 门控循环单元(GRU) 243
8.4 Python Notebook示例 250
8.5 卷积神经网络 251
8.6 自编码器 259
8.7 本章小结 264
8.8 习题 265
第三部分 时序数据与决策
第9章 强化学习导论 273
9.1 简介 273
9.2 强化学习的元素 277
9.3 马尔可夫决策过程 282
9.4 动态规划方法 292
9.5 强化学习方法 298
9.6 本章小结 328
9.7 习题 328
第10章 强化学习的应用 337
10.1 简介 337
10.2 用于期权定价的QLBS模型 339
10.3 离散时间的Black-Scholes-Merton模型 342
10.4 QLBS模型 349
10.5 关于股票投资组合的G-学习 368
10.6 关于财富管理的强化学习 388
10.7 本章小结 399
10.8习题 401
第11章 逆强化学习和模仿学习 406
11.1 简介 406
11.2 逆强化学习 409
11.3 最大熵逆强化学习 415
11.4 示例：用于客户偏好推断的最大熵逆强化学习 429
11.5 对抗模仿学习和逆强化学习 444
11.6 除GAIL之外：AIRL、f-MAX、FAIRL、RS-GAIL等 456
11.7 高斯过程逆强化学习 465
11.8 逆强化学习能否超越导师? 468
11.9让我们尝试一下：关于金融悬崖漫步的逆强化学习 474
11.10 逆强化学习的金融应用 478
11.11 本章小结 495
11.12 习题 496
第12章 机器学习与金融的前沿 502
12.1 简介 502
12.2 市场动态、逆强化学习和物理学 504
12.3 物理学与机器学习 511
12.4 机器学习的“大一统”? 518
书单推荐
