經濟科學出版社

世界正處於百年未有之大變局的演進過程。從世界到中國，從宏觀經濟到資本市場都處於深刻的變化中，債券市場也正處於這一偉大的變革進程中。 在回顧近些年市場發展與投資思路的基礎上，筆者在已有美林投資時鐘、“貨幣 信用”風火輪等多框架之外，試圖探索諸如信貸庫存周期等新思維，並進一步擴散合成各類投資邏輯以期形成更為全面綜合的投資框架。伴隨中國資本市場的深化發展，債市已愈發與股市、商品市場相融，多資產之間的相互校驗已經成為資產配置的主流方式，筆者在此進行了探索與研究。策略的基礎在於宏觀經濟研究，筆者揚棄傳統宏觀經濟預測的技術分析思維，從前瞻指標到同步指標的角度進行創新的探索。 本書依然以中短期策略方法為主要出發點，但是兼顧了利率長期趨勢判斷的理論總結與實證探索，以期構造更為宏大的視角。若干年以來的市場觀點與思維爭論也都融合在各章節中，形成了一份寶貴的歷史資料與痕跡。 本系列叢書一脈相承，層層創新，步步完善，不斷描繪中國債券市場的諸多亮色。

大數據對回歸模型提出以下幾個方面的要求： (1)稀疏性，“高維”數據的特徵選擇問題，選取重要特徵，舍棄“冗余”或者信息含量少的特徵，是回歸算法面臨的新挑戰；(2)魯棒性，對於含有異常點的回歸問題，決策函數對異常點具有魯棒性；(3)在線性，對於數據流問題，決策函數的回歸系數應具有在線性，能夠反映在線數據流的實時變化效應；(4) 異質性，高維數據具有後尾分布的異質性，如何使稀疏技術選擇的特徵能反映數據的整體分布特徵，提取數據的異質信息。針對大數據的這些特徵，本書在已有支持向量回歸模型的研究基礎上，將從以下幾個方面展開研究：(1)融入L1模或Lp模稀疏正則項，構建稀疏支持向量回歸模型，其能夠從高維數據中選取相關的主要特徵，舍棄無關的冗余特徵，完成信息價值“提純”；(2)設計具有魯棒性的損失函數，使其決策函數不易受異常點的影響，即決策函數不受異常點的干擾，具有一定的穩健性； (3)採用增量算法，使其決策函數的回歸系數具有動態性，反應數據流的實時性，克服非在線算法決策函數回歸系數的固定不變性；(4)引入統計學的分位數回歸思想，利用分位數精確地描述自變量對於因變量條件分布的整體影響，全面反映數據的分布特徵。面對大數據，指數構建面臨前所未有的挑戰：(1) 如何排除噪聲和異常點現象帶來的干擾，是指數構建面臨的一大挑戰；(2)如何舍棄信息價值低的冗余指標，保留信息價值高的代表性指標，降低數據維度，是指數構建面臨的第二大挑戰；(3)如何滿足在線數據的高頻性，構建實時動態指數凸顯在線信息，是指數構建面臨的第三大挑戰。針對指數構建面臨的這些挑戰，本書構建的各種支持向量回歸模型恰能解決這些問題：首先處理數據的缺失等現象，排除噪聲和異常點帶來的干擾，採用稀疏支持向量回歸模型，解決大數據背景下指標的選擇問題，為指數構造提供高質量的“原材料”；其次針對數據高頻在線的特點，採用在線支持向量回歸模型，確定代表性指標的動態權重，凸顯數據的實時動態效應。相信本書能為動態指數的構建提供新方法和新思路，開拓數學、統計學與機器學習的交叉研究，為大數據統計建模的發展貢獻微薄之力。