人工智能时代，满足新课程开设需要，全面系统，注重实操，配套资源丰富
姜富伟，中央财经大学教授、博导，金融工程系主任，青年长江学者，国家社科基金重大项目首席专家，黄大年教学团队核心成员，北京市海淀区政协委员。主要关注数字经济与金融科技相关交叉研究，在?Journal?of?Financial?Economics、Review?of?Financial?Studies、Management?Science、?Journal?of?Econometrics、《经济研究》《管理世界》《金融研究》等发表论文50余篇。获评ESI经济管理类全球前1%最高被引用论文、RFS?最高被引用论文、JFE最高被引用论文，获国家自然科学基金考核评价“特优”，全国高校人文社科优秀成果一等奖，《金融研究》优秀论文奖、国际金融管理协会最佳论文奖、亚洲金融协会最佳论文奖、中国金融工程学年会优秀论文奖、金融图书金羊奖等奖励荣誉。唐国豪，湖南大学金融与统计学院副教授，博导，金融工程系副主任。中央财经大学金融学博士、美国圣路易斯华盛顿大学访问学者，研究方向为实证资产定价、金融机器学习、行为金融。主要论文发表于Journal?of?Financial?and?Quantitative?Analysis、Journal?of?Banking??Finance、Journal?of?Economic?Dynamics?and?Control、《金融研究》《经济学（季刊）》《管理科学学报》等国内外高水平期刊。主持国家自然科学基金青年项目、湖南省自然科学基金青年项目。获得湖南省“湖湘青年英才”，省信息化教学比赛二等奖，湖南大学优秀教师新人奖、优秀教学奖、本科优秀毕业论文指导老师等荣誉称号。马甜，金融学博士，中央民族大学经济学院副教授。主要研究领域为人工智能与实证资产定价，研究话题包括收益预测，风险预警以及量化投资策略构建等。在Journal?of?Financial?Markets、Journal?of?Empirical?Finance、《管理科学学报》《经济学（季刊）》《金融研究》等国内外期刊发表论文10余篇。主持国家自然科学基金项目。获中国金融工程学年会最佳论文奖等学术奖励。
本书是金融与财务机器学习课程的教材。金融和财务领域集中了大量的交易数据和财务数据Python软件使用简介金融与财务大数据的处理与分析因子与因子模型因子模型的估计、检验与解释金融资产收益预测包含惩罚项的线性回归模型数据降维模型树形模型与分类模型神经网络模型模型评估、训练与可解释性文本分析。 本书可作为普通高等学校经济学和管理学类专业的高年级本科和研究生教材也适合对金融和财务领域机器学习感兴趣的读者参考。 目　　录前　言第一章　金融与财务领域的机器学习1　　第一节　机器学习的基本介绍1　　　　一、机器学习的历史2　　　　二、机器学习的分类5　　　　三、机器学习的思想6　　　　四、机器学习的要素8　　　　五、机器学习的步骤9　　　　六、机器学习与传统编程10　　第二节　机器学习在金融与财务领域的应用特性11　　　　一、金融与财务对机器学习的需求性11　　　　二、机器学习的优势13　　　　三、机器学习可能面临的挑战14　　第三节　机器学习在金融与财务领域的应用现状18第二章　Python软件使用简介23　　第一节　Python入门23　　　　一、Python简介23　　　　二、Python安装24　　　　三、Python使用25　　　　四、Python基础知识26　　第二节　Python数据处理程序包37　　　　一、多维数组Numpy37　　　　二、面板处理Pandas42　　　　三、科学计算SymPy49　　　　四、统计分析Statsmodels53　　　　五、金融计量Linearmodels55　　第三节　Python机器学习程序包58　　　　一、机器学习58　　　　二、深度学习62第三章　金融与财务大数据的处理与分析64　　第一节　大数据时代64　　　　一、理解大数据64　　　　二、金融大数据65　　　　三、本章概览65　　第二节　金融与财务数据资源65　　　　一、国泰安中国经济金融研究数据库65　　　　二、万得资讯67　　　　三、中国研究数据服务平台68　　　　四、证券价格研究中心(CRSP)70　　　　五、公开数据源72　　　　六、文献数据源77　　第二节　描述性统计88　　　　一、中心趋势性88　　　　二、分散性89　　　　三、对称性和厚尾性89　　　　四、持续性90　　　　五、相关性90　　第三节　数据预处理93　　　　一、缺失值处理93　　　　二、异常值处理94　　　　三、标准化处理96　　第四节　特征工程97　　　　一、特征工程简介97　　　　二、特征选择97第四章　因子与因子模型103　　第一节　因子与因子模型简介103　　　　一、金融与财务因子与因子模型简介103　　　　二、从单因子模型到多因子模型104　　第二节　Alpha与市场异象106　　　　一、Alpha收益106　　　　二、资产价格异象107　　第三节　多因子模型的新发展108　　　　一、因子检验的一般流程108　　　　二、Fama_French五因子模型109　　　　三、Hou_Xue_Zhang的q_因子模型110　　　　四、Stambaugh_Yuan错误定价因子模型111　　　　五、Liu_Stambaugh_Yuan的CH_3模型113　　第四节　因子分类114　　　　一、常见的因子分类114　　　　二、其他特色因子119　　第五节　因子模型的研究挑战121　　　　一、因子时变性121　　　　二、因子有效性识别122　　　　三、因子研究的近况与挑战123第五章　因子模型的估计、检验与解释126　　第一节　因子模型检验概述126　　第二节　组合分析法128　　　　一、单变量组合分析129　　　　二、双变量组合分析132　　　　三、三变量组合分析135　　第三节　因子模拟组合法136　　　　一、排序分组法137　　　　二、方差最小化法137　　第四节　时间序列回归法139　　　　一、Alpha检验140　　　　二、GRS检验140　　第五节　Fama_MacBeth回归法141　　　　一、Fama_MacBeth两阶段回归141　　　　二、Fama_MacBeth三阶段回归143　　第六节　解释因子模型146　　　　一、风险补偿146　　　　二、错误定价147　　　　三、数据挖掘149第六章　金融资产收益预测154　　第一节　资产收益的可预测性154　　　　一、资产收益可预测性的讨论154　　　　二、资产收益可预测性的解释156　　第二节　样本内预测158　　　　一、方差比检验158　　　　二、样本内预测159　　　　三、预测模型面临的挑战162　　　　四、新的金融预测方法162　　第三节　样本外预测163　　　　一、样本外预测的统计量163　　　　二、投资价值评估165　　　　三、其他预测方法166　　第四节　预测指标的选择167　　　　一、宏观经济指标168　　　　二、估值与财务指标168　　　　三、情绪指标169　　　　四、技术面指标170　　　　五、波动率指标170　　第五节　Campbell_Shiller现金流折现率分解171　　　　一、来源与推导171　　　　二、进一步讨论173第七章　包含惩罚项的线性回归模型177　　第一节　最小二乘法线性回归模型177　　　　一、线性回归177　　　　二、OLS模型的基本原理178　　　　三、OLS模型的应用179　　第二节　岭回归182　　　　一、岭回归的提出182　　　　二、岭回归的基本原理182　　　　三、岭回归的变量选择特征184　　　　四、岭回归的调节参数选择184　　第三节　LASSO模型188　　　　一、LASSO模型的提出188　　　　二、LASSO模型的基本原理188　　　　三、LASSO模型的变量选择特征189　　　　四、LASSO模型的扩展192　　　　五、LASSO模型的应用193