《資產定價與機器學習》吳軻『EPUB電子書下載』

　　本書以資產定價研究的三個核心問題：最優投資組合的選擇、因子定價模型的識別，以及橫截麵資產收益率的預測為出發點，係統闡釋了如何利用機器學習技巧來提升模型的實證性能。為了提高機器學習方法在資產定價中的可解釋性，本書重點采用了具有清晰函數形式的機器學習方法，並通過引入非線性函數關係處理解釋變量與被解釋變量之間的關係，從而在模型複雜度、預測效能與可解釋性之間達到一個良好的平衡。使用中國A股市場的數據，本書詳細展示了機器學習在確定最優投資組合、選擇有效定價因子和預測橫截麵收益率等方麵的實證應用效果。
　　本書適合經濟金融領域的高年級本科生、研究生，量化投資和資產管理等相關領域的專業人士和研究人員，以及對此感興趣的讀者閱讀。

　　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麵上項目和青年基金項目。

封麵
版權信息
序言
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 神經網絡
3.6 基於全子集回歸的組合優化
3.7 實證分析
3.8 小結
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算法識別因子
4.3 自糾偏機器學習法識別因子
4.4 小結
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 數據和單變量投資組合構造
5.3 實證結果
5.4 信息匯總方法和穩健性檢驗
5.5 小結
附錄
參考文獻