伊戈爾 霍爾珀林

本書系統介紹機器學習在金融領域的應用方法，從統一視角融合機器學習與金融計量經濟學、離散時間隨機控制等量化金融學科，重點闡述理論與假設檢驗如何指導金融數據建模與決策中的算法選擇。隨著計算資源與數據規模的持續增長，機器學習已成為金融行業的關鍵技能。全書分為三部分，理論與應用並重：‧基於橫截面數據的機器學習:從貝葉斯學派與頻率學派雙重視角解析核心方法，進階內容聚焦神經網絡與高斯過程，結合投資管理與衍生品建模案例，揭示算法在金融橫截面分析中的優化邏輯。‧序貫學習:針對金融高頻數據特性，探討交易策略、隨機波動率及固定收益建模中的監督學習應用，突破傳統方法對數據生成過程的依賴。‧時序數據與決策:解析強化學習在交易、投資與財富管理中的落地場景，提供免模型框架下的解決方案。本書面向有金融計量經濟學、管理科學與應用統計基礎的高年級研究生和專業學者，以及量化金融領域的量化分析專家和數據科學家。本書兼具理論深度與實踐導向，為金融智能轉型提供跨學科方法論支撐，助力讀者掌握數據驅動決策的核心競爭力。