本书面向广大资产管理者和各类研究人员，基于机器学习和人工智能，指明从一个投资理念和理论到成功的投资策略具体实施的量化途径。作者认为一个缺乏理论依据的投资策略很可能是错误的。为此，资产管理者应致力于发展理论，而不仅是回测潜在的交易规则。本书就是从帮助资产管理者发现经济和金融理论的角度出发，介绍机器学习的工具。机器学习不是一个黑匣子，也不一定会过拟合。机器学习的工具与经典统计方法是互补关系而不是替代关系。本书认为机器学习的一些优点包括：注重样本外的可预测性，而不是样本内的方差判断；使用计算方法避免依赖一些（或许不切实际的）假设；能够“学习”复杂的规范，包括高维空间中的非线性、分层和非连续的交互效应；能够将变量搜索与设定搜索分离，并能很好地防止多重线性和其他替代效应。

中文版序
1 引 言
1.1 动机
1.2 理论很重要
1.3 如何科学地运用机器学习
1.4 过拟合的两种类型
1.5 提纲
1.6 受众
1.7 关于金融机器学习的五个常见误解
1.8 金融研究的未来
1.9 常见问题
1.10 结论
1.11 习题

2 降噪和降调
2.1 动机
2.2 Marcenko-Pastur定理
2.3 带信号的随机矩阵
2.4 拟合Marcenko-Pastur分布
2.5 降噪
2.6 降调
2.7 实验结果
2.8 结论
2.9 习题

3 距离度量
3.1 动机
3.2 基于相关性的度量
3.3 边际熵和联合熵
3.4 条件熵
3.5 Kullback-Leibler散度
3.6 交叉熵
3.7 互信息
3.8 差异信息
3.9 离散化
3.10 两个划分之间的距离
3.11 实验结果
3.12 结论
3.13 习题

4 最优聚类
4.1 动机
4.2 相似度矩阵
4.3 聚类的类型
4.4 类集的个数
4.5 实验结果
4.6 结论
4.7 习题

5 金融标注
5.1 动机
5.2 固定区间法
5.3 三重阻碍法
5.4 趋势扫描法
5.5 元标注
5.6 实验结果
5.7 结论
5.8 习题

6 特征重要性分析
6.1 动机
6.2 p值
6.3 变量重要性
6.4 概率加权准确度
6.5 替代效应
6.6 实验结果
6.7 结论
6.8 习题

7 组合构建
7.1 动机
7.2 凸组合优化
7.3 条件数
7.4 Markowitz的诅咒
7.5 信号作为协方差不稳定性的来源
7.6 嵌套聚类优化算法
7.7 实验结果
7.8 结论
7.9 习题

8 测试集过拟合
8.1 动机
8.2 查准率和召回率
8.3 重复测试下的查准率和召回率
8.4 夏普比率
8.5 错误策略定理
8.6 实验结果
8.7 收缩夏普比率
8.8 家族错误率
8.9 结论
8.10 习题
附录A 合成数据测试
附录B 错误策略定理的证明
参考书目
参考文献