概率机器学习 金融与投资实战

在金融投资日益复杂的今天，《概率机器学习：金融与投资实战》为投资者与金融从业者提供了一把打开新世界的钥匙。本书不仅深入剖析了概率机器学习的核心原理，更通过丰富的实战案例，展示了这一技术在金融分析与投资决策中的巨大潜力。无论你是希望提升投资精度的专业投资者，还是对金融科技感兴趣的普通读者，都能从这本书中获得宝贵的洞见与启示。

《概率机器学习：金融与投资实战》深入探讨了概率机器学习在金融与投资领域的前沿应用，揭示了这一技术如何成为下一代金融分析与投资决策的框架。本书详细阐述了概率机器学习如何从有噪声的金融数据集中持续学习，并实现概率推断、回溯预测、预测及反事实推理。同时，该技术还能将个人、实证及机构知识系统地编码进机器学习模型中。书中通过实战案例，展示了如何利用概率分布量化不确定性，从而做出更贴近现实的金融推断与预测，为决策制定与风险管理提供有力支持。

前言1

第1章概率机器学习的需求9

1.1金融学不是物理学10

1.2所有金融模型皆有谬误且大多无用12

1.3三类建模错误14

1.3.1模型错误14

1.3.2模型参数错误15

1.3.3模型不能适应市场的结构性变化而导致的错误17

1.4概率金融模型18

1.5金融人工智能和机器学习20

1.6概率机器学习23

1.6.1概率分布24

1.6.2知识集成25

1.6.3参数推断26

1.6.4生成式集成模型26

1.6.5不确定性认知27

1.7本章小结27

参考文献28

扩展阅读29

第2章不确定性的分析与量化30

2.1蒙提霍尔问题31

2.2概率公理33

2.3反概率公式36

2.4模拟解40

2.5概率的含义42

2.5.1频率学派的概率43

2.5.2认知概率44

2.5.3相对概率47

2.6风险与不确定性48

2.7三种不确定性50

2.7.1偶然不确定性51

2.7.2认知不确定性53

2.7.3本体论不确定性56

2.8没有免费午餐定理57

2.9投资与归纳问题60

2.10问题归纳、没有免费午餐定理与概率机器学习64

2.11本章小结65

参考文献66

第3章用于量化输出不确定性的蒙特卡罗模拟68

3.1蒙特卡罗模拟：概念验证69

3.2关键统计概念71

3.2.1均值和方差71

3.2.2期望值：概率加权算术平均值72

3.2.3为什么用波动率来度量风险是荒谬的73

3.2.4偏度与峰度74

3.2.5高斯分布或正态分布75

3.2.6为什么使用波动率会低估金融风险76

3.2.7大数定律79

3.2.8中心极限定理79

3.3蒙特卡罗模拟的理论基础81

3.4软件项目的估值82

3.5构建一个健全的蒙特卡罗模拟系统85

3.6本章小结87

参考文献88

第4章传统统计方法的风险89

4.1反向谬误90

4.2零假设显著性检验中的检察官谬误96

4.3信心游戏100

4.3.1股票的单因素市场模型102

4.3.2基于Statsmodels的简单线性回归103

4.3.3α和β的置信区间106

4.4揭秘信心游戏107

4.4.1总体参数概率性陈述错误107

4.4.2置信区间概率性陈述错误108

4.4.3抽样分布概率性陈述错误108

4.5本章小结111

参考文献112

扩展阅读113

第5章概率机器学习框架114

5.1探究反概率规则115

5.2估计债务违约的概率119

5.3用预测概率分布生成数据124

5.4本章小结127

扩展阅读129

第6章传统人工智能系统的风险130

6.1AI系统：缺乏常识是危险的132

6.2为什么最大似然估计模型在金融领域失败了133

6.2.1盈余预期的最大似然估计模型134

6.2.2盈余预期的概率模型137

6.3马尔可夫链蒙特卡罗模拟143

6.3.1马尔可夫链143

6.3.2Metropolis抽样145

6.4本章小结149

参考文献150

第7章生成式集成概率机器学习151

7.1最大似然回归模型153

7.1.1市场模型154

7.1.2模型假设154

7.1.3基于最大似然估计的参数学习155

7.1.4基于置信区间的参数不确定性量化156

7.1.5模型输出的预测与模拟156

7.2概率线性集成模型156

7.2.1先验概率分布P(α,β,e)158

7.2.2似然函数P(Y|α,β,e,X)159

7.2.3边缘似然函数P(Y|X)159

7.2.4后验概率分布P(α,β,e|X,Y)159

7.3使用PyMC库与ArviZ库构建概率线性集成模型160

7.3.1定义集成模型的性能指标161

7.3.2数据分析与特征工程164

7.3.3开发和回溯先验集成模型167

7.3.4训练和回溯后验集成模型174

7.3.5测试和评估集成模型182

7.4本章小结185

参考文献186

扩展阅读186

第8章基于生成式集成模型的概率决策187

8.1概率推断和预测框架188

8.2概率决策框架191

8.2.1融入主观判断191

8.2.2估计损失192

8.2.3最小化损失195

8.3风险管理197

8.3.1资本保全197

8.3.2遍历性197

8.3.3生成式风险价值202

8.3.4生成式预期亏空204

8.3.5生成式尾部风险205

8.4资本配置206

8.4.1赌徒破产定律206

8.4.2预期资产评估师的破产208

8.4.3现代投资组合理论212

8.4.4马科维茨投资者的破产214

8.4.5凯利准则219

8.4.6凯利投资者的破产222

8.5本章小结224

参考文献225

扩展阅读225