具体描述
本书介绍了机器学习必要的统计与概率方面的数学理论，以及适用机器学习的领域相关的领域知识，同时收录了实现代码。利用机器学习编写程序时，机器学习算法所占的比重并不大，重要的是理解数据并掌握特性。在此过程中，如果具备统计与概率相关的数学知识和机器学习应用领域的专业知识，则能大大节约时间，并简化问题。经过这些过程的机器学习才能获得良好的应用效果。
作者简介
安明浩
韩国科学技术院软件硕士课程结业。起初研究云技术，之后转向机器学习。目前正在努力通过机器学习制作“鸬鹚”无人机，盼望以此实现经济自由。
目录信息
第1章 机器学习 1
1.1 机器 习定义 1
1.2 机器学习的优缺点 3
1.2.1 机器学习的优点 3
1.2.2 机器学习的缺点 4
1.3 机器学习的种类 4
1.3.1 监督学习 5
1.3.2 无监督学习 6
1.4 机器学习能做的事情 7
1.4.1 回归 8
1.4.2 分类 10
1.4.3 聚类 12
1.5 机器学习算法 13
1.5.1 回归 14
1.5.2 分类 15
1.5.3 聚类 15
1.6 机器学习的过程 16
1.6.1 第一次预处理 16
1.6.2 训练数据集 17
1.6.3 第二次预处理 17
1.6.4 机器学习算法学习 17
1.6.5 参数优化 17
1.6.6 后期处理 17
1.6.7 最终模型 18
1.7 “没有免费的午餐”定理 18
第二部分
第2章 统计 21
2.1 统计的定义 21
2.2 统计在机器学习中的重要性 22
2.3 统计的基本概念和术语 23
2.3.1 总体和样本 23
2.3.2 参数和统计量 24
2.3.3 抽样误差 25
2.3.4 因变量和自变量 26
2.3.5 连续变量和离散变量 26
2.3.6 模型 27
2.4 准备事项 28
2.5 数据下载 29
2.6 数据加载 31
2.7 基础统计 31
2.7.1 标准差 32
2.7.2 四分位数 36
2.7.3 直方图 37
2.7.4 正态分布 40
2.7.5 散点图 41
2.7.6 箱形图 44
第3章 时间序列数据 49
3.1 时间序列数据 50
3.2 时间序列数据分析 51
3.3 时间序列数据的主要特征 52
3.4 随机过程 54
3.5 平稳时间序列数据 55
3.6 随机过程中的期望值、方差和协方差 57
3.7 相关 59
3.8 自协方差 61
3.9 自相关 62
3.10 随机游走 66
第三部分
第4章 算法交易 69
4.1 算法交易简介 69
4.2 算法交易历史上的那些人 72
4.2.1 爱德华·索普 72
4.2.2 詹姆斯·哈里斯·西蒙斯 74
4.2.3 肯尼斯·格里芬 76
4.3 算法交易模型 77
4.4 均值回归模型 79
4.4.1 均值回归检验 80
4.4.2 实现均值回归模型 86
4.5 机器学习模型 89
4.5.1 特征选择 90
4.5.2 是价格还是方向 91
4.6 分类模型 92
4.6.1 逻辑斯蒂回归 92
4.6.2 决策树和随机森林 94
4.6.3 支持向量机 96
4.7 实现机器学习模型 97
4.7.1 数据集 98
4.7.2 拆分数据集 100
4.7.3 生成股价走势预测变量 101
4.7.4 股价走势预测变量的运行和评价 102
4.8 时间衰减效应 106
第5章 实现算法交易系统 109
5.1 普通算法交易系统的构成 109
5.2 实现系统的概要 111
5.3 开发环境 113
5.4 数据爬虫实现 113
5.4.1 收集股票代码 114
5.4.2 收集股价数据 118
5.5 实现α 模型 121
5.5.1 均值回归模型 122
5.5.2 机器学习模型 124
5.6 投资组合生成器 125
5.6.1 均值回归模型的股票选择 126
5.6.2 机器学习模型的股票选择 130
5.7 实现Trader 类 136
第6章 性能评价与优化 137
6.1 算法交易系统的性能测试 138
6.1.1 评价系统的获利能力 138
6.1.2 比较各实现模型 138
6.1.3 对系统的信心 139
6.2 回溯检验 140
6.2.1 Profit/Loss 检验 140
6.2.2 Hit Batio 141
6.2.3 Drawdown 143
6.2.4 Sharpe Ratio 145
6.3 机器学习性能测试 147
6.3.1 混淆矩阵 148
6.3.2 Classification Report 150
6.3.3 ROC 152
6.4 实时交易监控 158
6.5 参数优化 159
6.6 超参数优化 160
6.6.1 网格搜索 161
6.6.2 随机搜索 164
6.7 “黑天鹅” 167
后记 171
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
作为一名在金融科技领域工作了多年的工程师，我经常需要评估市面上关于量化交易的书籍。坦白说，大部分书籍要么过于学术化，要么过于偏重于代码实现而缺乏底层逻辑的深度挖掘。然而，这本书在两者之间找到了一个绝佳的平衡点。我尤其赞赏它在构建稳健回测框架时所强调的“避免未来函数”和“样本偏差”等细节处理。这些是许多初学者容易忽略但对策略实盘至关重要的环节。书中对如何构建一个能够模拟真实交易成本和滑点的仿真环境的讲解，详尽而周密，这极大地提升了策略评估的可靠性。此外，作者对于如何处理高频数据和低频数据的异构信息整合，提供了一些前沿的见解，这对于希望构建多尺度交易系统的专业人士来说，是极大的助力。这本书的价值在于它不仅教你如何“构建”一个系统，更教你如何“验证”这个系统的健壮性和在不同市场环境下的适应性，这才是量化交易的真正精髓所在。
评分这本书的排版和逻辑结构非常清晰，即便面对如此复杂的跨学科内容，阅读体验依然保持了高度的流畅性。我特别欣赏作者在每一章节末尾总结的关键概念和“陷阱警示”部分，这使得知识点的吸收效率大大提高。对于那些对金融数据敏感性有要求的读者，书中关于特征选择的量化指标和如何对抗特征共线性的介绍，提供了非常实用的操作指南。它并没有陷入纯粹的数学推导泥潭，而是紧密地将每一种技术与它在实际交易中能够解决的具体问题联系起来。比如，当市场环境发生结构性变化时，如何快速有效地进行模型重校准或迁移学习的思路，是书中非常宝贵的一点。这本书的价值在于，它提供了一套完整的、可迭代的开发生命周期视图，从数据获取到策略部署和持续监控，每一个环节的要点都被充分覆盖。它不是一本速成手册，而是一部需要反复研读和实践参考的深度技术手册。
评分读完这本书，我最大的感受是它彻底打破了我对传统量化交易的刻板印象，引入了一种更加动态和数据驱动的范式。这本书不仅仅是一本关于算法开发的指南，更像是一本关于如何系统性地将复杂、混沌的市场信息转化为可执行策略的思维导论。书中对贝叶斯方法在不确定性建模方面的应用，以及如何利用强化学习探索更复杂的决策空间，这些章节内容极为精彩。它们展现了作者对前沿研究的敏锐捕捉和将其工程化的能力。例如，在讲解如何设置奖励函数来优化长期累积收益而非短期爆发力时，其论述的深度和广度都远超预期。对于那些已经有一定编程基础，但希望将自己的量化探索提升到新层次的读者来说，这本书提供了必要的理论飞跃和实战技巧的融合。它让你从一个“跟随者”转变为一个“设计者”，能够根据自己的风险偏好和市场理解，定制出高度个性化的交易逻辑。
评分我以一个对金融市场有着长期关注的业余爱好者的角度来看待这本书，它提供了一种全新的、更具系统性的视角来审视交易决策过程。过去，我更多依赖于传统的技术分析，但这本书成功地展示了如何利用现代计算工具和数据科学方法来提升决策的效率和精度。书中对于不同类型机器学习算法（比如树模型、神经网络）在金融场景下的适用性和局限性的对比分析，非常中肯且具有启发性。它没有过度鼓吹任何单一技术的万能性，而是强调根据不同的市场结构选择最合适的工具。这种务实的态度，对于避免“为使用新技术而使用技术”的陷阱至关重要。特别是关于模型可解释性的探讨，对于需要向潜在投资者或合作伙伴解释策略逻辑的读者来说，提供了非常有价值的工具和思路。这本书的行文风格流畅自然，虽然技术性很强，但叙述方式非常注重读者的接受度，使得即便是初次接触高级量化概念的读者，也能循序渐进地跟上思路，最终构建起属于自己的智能交易框架。
评分这本书的内容极其丰富，对于任何想在量化交易领域深入探索的读者来说，都是一本不容错过的宝典。作者在讲解机器学习模型的构建和应用时，展现了扎实的理论基础和丰富的实践经验。我特别欣赏它对数据预处理和特征工程的细致讲解，这在实际的交易系统中往往是决定成败的关键环节，但很多书籍却对此轻描淡写。从时间序列的分解到高维特征的选择，每一步骤的逻辑都清晰可见，让人能够真正理解“为什么要这样做”，而不是仅仅停留在代码层面的复制粘贴。更难得的是，书中对于模型评估的深入探讨，超越了简单的准确率和收益率指标，引入了夏普比率、最大回撤等更贴近实战的风险管理视角。这使得读者在建立模型时，能够更全面地考量其在真实市场波动下的表现。阅读过程中，我感觉自己仿佛有位经验丰富的导师在身边指导，每当遇到困惑时，总能从书中找到令人茅塞顿开的解答。对于希望将理论知识转化为可执行交易策略的人来说，这本书提供了坚实的理论框架和可操作的路线图。
评分各种东西都讲一点，非常不深入，稍微懂的人觉得太浅；最重要的是居然用python2.7？
评分各种东西都讲一点，非常不深入，稍微懂的人觉得太浅；最重要的是居然用python2.7？
评分原著水平不咋样，翻译更是火上浇油。
评分翻译的有点抢戏，就是将跟算法交易相关的机器学习内容梳理了，并不详细
评分翻译的有点抢戏，就是将跟算法交易相关的机器学习内容梳理了，并不详细
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有