概率機器學習-金融與投資實戰 迪帕克.K.卡農戈 9787111772712 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202504*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：概率機器學習-金融與投資實戰
ISBN：9787111772712
出版社：機械工業
著編譯者：迪帕克.K.卡農戈
頁數：225
所在地：中國大陸 *此為代購商品
書號：1732102
可大量預訂，請先連絡。

編輯推薦

在金融投資日益複雜的今天，《概率機器學習：金融與投資實戰》為投資者與金融從業者提供了一把打開新世界的鑰匙。本書不僅深入剖析了概率機器學習的核心原理，更通過豐富的實戰案例，展示了這一技術在金融分析與投資決策中的巨大潛力。無論你是希望提升投資精度的專業投資者，還是對金融科技感興趣的普通讀者，都能從這本書中獲得寶貴的洞見與啟示。

內容簡介

《概率機器學習：金融與投資實戰》深入探討了概率機器學習在金融與投資領域的前沿應用，揭示了這一技術如何成為下一代金融分析與投資決策的框架。本書詳細闡述了概率機器學習如何從有雜訊的金融數據集中持續學習，並實現概率推斷、回溯預測、預測及反事實推理。同時，該技術還能將個人、實證及機構知識系統地編碼進機器學習模型中。書中通過實戰案例，展示了如何利用概率分佈量化不確定性，從而做出更貼近現實的金融推斷與預測，為決策制定與風險管理提供有力支持。

作者簡介

迪帕克·K 卡農戈（Deepak K Kanungo）是一名算法衍生品交易員、講師，也是對沖資本有限責任公司（Hedged Capital LLC）的首席執行官，這家由人工智能驅動的自營交易公司是他於2009年創立的。自2019年以來，迪帕克已向全球數萬名O'Reilly Media的訂閱用戶傳授了使用Python進行算法交易、投資和金融領域相關的概念、流程以及機器學習技術。在全球金融危機期間，他還曾擔任摩根士丹利（Morgan Stanley）的財務顧問。

目錄

前言
第1章 概率機器學習的需求
1 1 金融學不是物理學
1 2 所有金融模型皆有謬誤且大多無用
1 3 三類建模錯誤
1 3 1 模型錯誤
1 3 2 模型參數錯誤
1 3 3 模型不能適應市場的結構性變化而導致的錯誤
1 4 概率金融模型
1 5 金融人工智能和機器學習
1 6 概率機器學習
1 6 1 概率分佈
1 6 2 知識集成
1 6 3 參數推斷
1 6 4 生成式集成模型
1 6 5 不確定性認知
1 7 本章小結
參考文獻
擴展閱讀
第2章 不確定性的分析與量化
2 1 蒙提霍爾問題
2 2 概率公理
2 3 反概率公式
2 4 模擬解
2 5 概率的含義
2 5 1 頻率學派的概率
2 5 2 認知概率
2 5 3 相對概率
2 6 風險與不確定性
2 7 三種不確定性
2 7 1 偶然不確定性
2 7 2 認知不確定性
2 7 3 本體論不確定性
2 8 沒有免費午餐定理
2 9 投資與歸納問題
2 10 問題歸納、沒有免費午餐定理與概率機器學習
2 11 本章小結
參考文獻
第3章 用於量化輸出不確定性的蒙特卡羅模擬
3 1 蒙特卡羅模擬：概念驗證
3 2 關鍵統計概念
3 2 1 均值和方差
3 2 2 期望值：概率加權算術平均值
3 2 3 為什麼用波動率來度量風險是荒謬的
3 2 4 偏度與峰度
3 2 5 高斯分佈或正態分佈
3 2 6 為什麼使用波動率會低估金融風險
3 2 7 大數定律
3 2 8 中心極限定理
3 3 蒙特卡羅模擬的理論基礎
3 4 軟體項目的估值
3 5 構建一個健全的蒙特卡羅模擬系統
3 6 本章小結
參考文獻
第4章 傳統統計方法的風險
4 1 反向謬誤
4 2 零假設顯著性檢驗中的檢察官謬誤
4 3 信心遊戲
4 3 1 股票的單因素市場模型
4 3 2 基於Statsmodels的簡單線性回歸
4 3 3 α和β的置信區間
4 4 揭秘信心遊戲
4 4 1 總體參數概率性陳述錯誤
4 4 2 置信區間概率性陳述錯誤
4 4 3 抽樣分佈概率性陳述錯誤
4 5 本章小結
參考文獻
擴展閱讀
第5章 概率機器學習框架
5 1 探究反概率規則
5 2 估計債務違約的概率
5 3 用預測概率分佈生成數據
5 4 本章小結
擴展閱讀
第6章 傳統人工智能系統的風險
6 1 AI系統：缺乏常識是危險的
6 2 為什麼最大似然估計模型在金融領域失敗了
6 2 1 盈餘預期的最大似然估計模型
6 2 2 盈餘預期的概率模型
6 3 馬爾可夫鏈蒙特卡羅模擬
6 3 1 馬爾可夫鏈
6 3 2 Metropolis抽樣
6 4 本章小結
參考文獻
第7章 生成式集成概率機器學習
7 1 最大似然回歸模型
7 1 1 市場模型
7 1 2 模型假設
7 1 3 基於最大似然估計的參數學習
7 1 4 基於置信區間的參數不確定性量化
7 1 5 模型輸出的預測與模擬
7 2 概率線性集成模型
7 2 1 先驗概率分佈P(α， β， e)
7 2 2 似然函數P(Y| α， β， e， X)
7 2 3 邊緣似然函數P(Y|X)
7 2 4 后驗概率分佈P(α， β， e| X， Y)
7 3 使用PyMC庫與ArviZ庫構建概率線性集成模型
7 3 1 定義集成模型的性能指標
7 3 2 數據分析與特徵工程
7 3 3 開發和回溯先驗集成模型
7 3 4 訓練和回溯后驗集成模型
7 3 5 測試和評估集成模型
7 4 本章小結
參考文獻
擴展閱讀
第8章 基於生成式集成模型的概率決策
8 1 概率推斷和預測框架
8 2 概率決策框架
8 2 1 融入主觀判斷
8 2 2 估計損失
8 2 3 最小化損失
8 3 風險管理
8 3 1 資本保全
8 3 2 遍歷性
8 3 3 生成式風險價值
8 3 4 生成式預期虧空
8 3 5 生成式尾部風險
8 4 資本配置
8 4 1 賭徒破產定律
8 4 2 預期資產評估師的破產
8 4 3 現代投資組合理論
8 4 4 馬科維茨投資者的破產
8 4 5 凱利準則
8 4 6 凱利投資者的破產
8 5 本章小結
參考文獻
擴展閱讀
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。