随着人工智能和机器学习在过去二十年里重新受到欢迎，人们对它们在金融预测任务中的应用也产生了兴趣。这两者似乎是天生的一对，因为一个多世纪以来，投资者一直在仔细研究市场产生的数据，希望借此预测他们获得金融成功的途径。对相关文献的随意调查显示，对该主题通常有两种宽泛的方法。在一个角落里坐着精明的 STEM 实践者，他们将手头的任务视为工程问题，更喜欢复杂和新颖的架构，以最小化指定的误差度量。而在相反的角落里，是博学的金融从业者，他们仍然天生认识到有效市场(EMH)和可解释性的需要，在这样做的时候，他们更喜欢注入领域洞察力的简单模型。很少有资源能够成功弥合这两者之间的鸿沟，并为构建稳健、可扩展和现实的人工智能驱动的投资策略提供见解。不要犯错误；这不是一项容易的任务。财务预测充满了细微差别，如基准、风险预算和回溯测试。然而，这并不意味着它们不存在。本文试图为那些对人工智能投资感兴趣的人列出并强调一些更值得关注的书籍。
这是迄今为止关于这一主题的最好、最全面的书。它的目标是对建立稳健和可复制的 ML 投资策略感兴趣的从业者。作者拥有金融经济学和数理金融学的双博士学位，此外还在几家大型机构对冲基金工作过，包括在 AQR 担任机器学习主管。这本书深入探讨了建立一个 ML 策略的重要的，非平凡的方面，如时间序列交叉验证，数据结构，处理非平稳性，更好的规模，等等。作者没有讨论任何特定算法的使用，因为实践中遇到的大多数问题都不是源于选择算法选择——这是任何认真投资人工智能的人的必读之作。
德·普拉多两次出现在这里是有原因的，因为他是目前投资行业领先的 ML 从业者之一。虽然与第一本书有一定程度的重叠，但这本书涵盖了之前更深入探讨的一些概念，并提供了新的见解，如距离度量的使用、去噪和引爆。这本书是针对行业从业者(因此得名)，但概念也适用于任何稳健的 ML 投资策略。需要一些投资和投资组合构建的先决知识，所以建议你在开始读这本书之前至少先读第一本书。与这两本书一样，相关的数学知识与用 python 实现的代码片段一起提供。更多信息，包括代码库，可以在作者的网站上找到，网址是 www.quantresearch.org。
作为一个最近的和相关的研究文献整理结构，这本书不同于前两个在模型，方法和结果进行了充分讨论。涵盖的算法从递归神经网络到树提升，但也包括对 ML 状态和大数据在投资中的使用的更一般的讨论。特别感兴趣的是关于强化学习的部分，它提供了一个在 RL 框架内的金融交易问题的极好框架，详细讨论了适当的奖励函数的公式。一本理解在实践中可以应用于金融预测的一系列方法的有用的书。
几十年来，要素投资一直是定量研究的热门领域。前提围绕这样一种观点，即投资者获得报酬承担某些风险，如廉价估值和动量，这可以被编纂为一系列规则或指标。以这种方式获得的回报是风险溢价，而不是对技能的补偿。针对要素投资的机器学习将这一量化金融分支与各种类型的机器学习模型(如神经网络和集成)相结合。这本书对 r 中使用的模型提供了深入的解释，并提供了完整的工作示例。对于任何具有机器学习一般知识的人来说，这都是相当容易理解的。它以数据科学从业者熟悉的格式构建。虽然这本书可以购买，但可以在官方网站这里获得免费的在线版本。
虽然投资 ML 被认为是在量化金融的保护伞下，但它本质上不同于其他分支，如自动交易和/或算法交易，这些分支主要关注频率统计(回归)，有时也关注技术分析。关于这些主题的书籍要丰富得多。
免责声明 : 本帖纯属个人观点和看法的表达。它不代表任何建议。