金融中的机器学习

前言

在大量可用数据计算资源的助力下，机器学习取得了长足的发展。金融行业的核心企业是信息处理类企业，而以这些公司为代表的金融业有大量机会来部署机器学习这项新兴技术。

本书是一本聚焦金融业的现代机器学习的实用指南。本书使用代码优先方法（code-first approach），阐述一些有用的机器学习算法的工作原理，并使用这些算法来解决现实世界中的问题。

本书的目标读者

三类读者将从本书受益：

• 那些期望顺利进入金融行业和期望了解各种潜在应用和相关问题的数据科学家；
• 金融科技公司的开发人员，或那些期望更新技能以在建模过程中融入现代机器学习方法的量化金融从业人员；
• 那些正在为未来就业打基础和期望获得职场实用技能的学生们。

本书假设读者具有线性代数、统计学、概率论、微积分等背景知识。但是，不需要成为上述各领域的专家，仅仅掌握基础知识即可。本书并不强求读者具备充分的金融知识。

为了学习示例代码，你应该熟悉Python语言和常用的数据科学相关库，如Pandas、NumPy和Matplotlib等。本书的示例代码使用Jupyter Notebook作为编辑器。

本书内容概要

第1章“神经网络和基于梯度的优化”讨论机器学习包括哪些类别，以及在金融的不同细分领域中使用它们的背后动机。我们将学习神经网络的工作原理，并从头构建一个神经网络模型。

第2章“机器学习在结构化数据中的应用”处理诸如关系型数据库中具有固定字段的数据。我们将体验模型的创建过程：从一个启发式模型，到简单的基于特征工程的模型，再到完全基于学习的模型。另外，我们将学习如何使用scikit-learn来评估模型，如何训练基于树状的模型（如随机森林），以及如何使用Keras来构建神经网络模型。

第3章“计算机视觉的应用”讲述了计算机视觉让我们按照比例解释和观察现实世界的过程。在这一章中，我们将学习让计算机视觉识别图像内容的技术，还将学习卷积神经网络和Keras模块，并使用这些模块来设计和训练前沿的计算机视觉模型。 ...