資產定價與機器學習 吳軻 9787300318226 【台灣高等教育出版社】

內容簡介
機器學習模型作為人工智慧核心技術之一，對金融行業發展造成了顛覆性衝擊。在金融行業數據信噪比低、特徵維度高、相互關係複雜的業務場景中，機器學習有著廣闊的應用空間，尤其是被廣泛運用於資產定價領域。本書從資產定價角度出發，首先闡述了在資產定價中引入機器學習方法的背景與重要性，介紹了線性方法、組合方法、非參數放大等多種機器學習方法，並系統討論了如何將機器學習方法引入資產定價研究之中，解決引子識別、組合優化以及樣本外預測資產定價三大核心問題。本書適合從事基金管理、量化投資的金融從業者，或者對量化投資感興趣的讀者；也可作為高年級本科與研究生金融科技專業的參考書。

作者簡介
吳軻，中國人民大學財政金融學院副教授、博士生導師，中國人民大學「傑出學者」青年學者。為本科生和研究生講授實證資產定價、金融風險管理、金融科技以及金融大數據分析等課程。
主要研究領域包括資產定價、投資組合管理、金融計量學和機器學習，研究成果在《管理科學》（Management Science），《金融與定量分析雜誌》（Journal of Financial and Quantitative Analysis），以及《應用計量經濟學雜誌》（Journal of Applied Econometrics）等國際一流期刊上發表，並主持國家自然科學基金面上項目和青年基金項目。

目錄
第一章 導論
1 1 資產定價的研究背景
1 2 本書的結構
1 3 本書的特點和局限性
第二章 資產定價中的機器學習方法
2 1 機器學習的定義和主要類別
2 2 機器學習方法介紹
第三章 投資組合優化
3 1 馬科維茨投資組合
3 2 參數化投資組合優化
3 3 最優投資組合與隨機貼現因子等價性
3 4 基於收縮估計方法的投資組合優化
3 5 神經網路
3 6 基於全子集回歸的組合優化
3 7 實證分析
3 8 小 結
第三章附錄
第四章 隨機貼現因子模型中的定價因子識別
4 1 隨機貼現因子
4 2 雙重選擇LASSO演算法識別因子
4 3 自糾偏機器學習法識別因子
4 4 小 結
第四章附錄
第五章 資產收益率樣本外預測
5 1 樣本外預測方法
5 2 數據和單變數投資組合構造
5 3 實證結果
5 4 信息匯總方法和穩健性檢驗
5 5 小 結
第五 附錄
參考文獻

前言/序言
量化投資作為一種基於
過往歷史數據，挖掘資產收
益率的統計規律來確定資產
的購買和出售策略的投資管
理模式，在資產管理行業的
應用越來越廣泛。截至
2022年第二季度，在全球
對沖基金管理規模排名前十
的機構中，有七家為量化對
沖基金。根據中國證券投資
基金業協會發布的《2021
年私募基金統計分析簡報》
，2021年底我國前十大私
募證券基金管理機構中，量
化管理機構已佔據五席。量
化投資通常涉及大量數據的
處理，包括股票價格、公司
財務數據、宏觀經濟數據等
，並通過統計和計算模型來
發現並利用潛在的投資機會
。
近些年，隨著金融資產
定價學科的不斷進步，實證
研究發現了越來越多能預測
股票收益率的變數。然而，
金融數據的低信號雜訊比特
性使得傳統統計方法在從眾
多預測變數中發掘最有效的
投資策略時面臨困難。這就
是機器學習技術被廣泛應用
的原因，因為它可以處理大
量的數據並識別出複雜的、
非線性的預測關係。因此，
無論是在學術研究領域，還
是在量化投資業界，機器學
習都開始得到廣泛的應用。
然而，相較於投資管理
行業，金融學術研究對機器
學習方法的研究相對滯后。
記得2013年我在埃默里大
學讀博士的時候，我的校外
導師、聖路易斯華盛頓大學
的周國富教授和他的合作者
在金融學頂級學術期刊上發
表了一篇開創性的論文。他
們使用了LASSO方法(一種
流行的機器學習降維技術)
從大量的候選變數中篩選出
有效的預測變數，用於預測
全球股票市場的收益率
(Rapach，Strauss，and
Zhou，2013)。2015年，我
在博士論文中採用了非參數
核密度估計法(廣義上屬於
非線性的機器學習演算法)，
以更精確地測量股票收益率
與市場收益率間的聯動不對
稱性。當時，使用複雜統計
方法的研究在金融學頂級學
術期刊上仍相對較少。直到
2020年和2021年，頂級學
術期刊《金融研究評論》
(Review of Financial
Studies)發布了兩期關於機
器學習和大數據方法在金融
學中應用的特輯[橫截面中
的新方法(NewMethods in
the Cross-Section)和金融學
中的大數據方法(Big Data
inFinance)]，從此運用機器
學習和大數據方法的金融學
研究論文開始大量出現。
本書是對近年來機器學
習方法與資產定價相結合的
學術研究的綜合總結，並提
供了對中國股票市場應用經
典機器學習方法的實證展示
。本書主要關注資產定價研
究的三個核心問題，即**
投資組合的選擇、因子定價
模型的識別，以及橫截面資
產收益率的預測。同時，本
書系統介紹了如何運用機器
學習方法來提升資產定價模
型的實證效能，希望能為金
融領域的研究者和從業者提
供一份實用且具有啟發性的
參考。
本書的出版得到了國家
自然科學基金重點項目和面
上項目的資助(項目號：
72173127，72192804)。這
里我要感謝我的科研合作者
們：埃默里大學經濟系的馬
蘇米(Esfandiar Maasoumi)
教授(我的博士導師)、首都
經濟貿易大學金融學院的王
澗秋老師、復旦大學泛海國
際金融學院的童國士老師、
香港科技大學金融系的博士
研究生溫旭東、中國人民大
學財政金融學院的博士研究
生王卓，以及我在中國人民
大學指導的第一位博士畢業
生、現就職于建信基金管理
有限公司的陳冬旭博士。本
書的許多內容都源於我與這
些合作者們的研究論文。我
還要特別感謝聖路易斯華盛
頓大學的周國富教授和芝加
哥大學的修大成教授，他們
在這個領域的開創性研究為
本書的撰寫提供了重要的啟
示和指引。
吳軻