アセットマネージャーのためのファイナンス機械学習

書籍紹介

話題を呼んだ『ファイナンス機械学習―金融市場分析を変える機械学習アルゴリズムの理論と実践』の著者による新作、“Machine Learning for Asset Managers”（2020年、Cambridge University Press）の日本語訳が登場！

●ノイズ除去、クラスタリング、ラベリング、特徴量の重要度分析などのトピックをコンパクトに整理
●前作の理論・手法をさらに発展させるとともに、各手法のpythonコードを多数掲載しており、実務の手引きとして活用できる

主要目次

第１章　はじめに
1.1　はじめに／1.2　理論こそが重要である／1.3　科学者は機械学習をどのように使っているか／1.4　２種類のオーバーフィッティング／1.5　本書の構成／1.6　想定する読者／1.7　ファイナンス機械学習に関する５つの誤解／1.8　ファイナンス・リサーチの未来／1.9　よくある質問／1.10　結論／1.11　練習問題
第２章　ノイズ除去
2.1　はじめに／2.2　Marcenko-Pastur定理／2.3　シグナルを含むランダム行列／2.4　Marcenko-Pastur分布の当てはめ／2.5　ノイズ除去／2.6　デトーニング（detoning）／2.7　実験結果／2.8　結論／2.9　練習問題
第３章　距離測度
3.1　はじめに／3.2　相関に基づく測度／3.3　周辺エントロピーと結合エントロピー／3.4　条件付きエントロピー／3.5　Kullback-Leibler情報量／3.6　クロスエントロピー／3.7　相互情報量（Mutual Information）／3.8　Variation of Information（VI）／3.9　離散化／3.10　２つの分割の間の距離／3.11　実験結果／3.12　結論／3.13　練習問題
第４章　最適クラスタリング
4.1　はじめに／4.2　近接行列／4.3　クラスタリングの種類／4.4　クラスターの数／4.5　実験結果／4.6　結論／4.7　練習問題
第５章　金融データのラベリング
5.1　はじめに／5.2　固定ホライズン法／5.3　トリプルバリア法／5.4　トレンドスキャン法／5.5　メタラベリング／5.6　実験結果／5.7　結論／5.8　練習問題
第６章　特徴量の重要度分析
6.1　はじめに／6.2　ρ値／6.3　特徴量の重要度分析／6.4　確率加重正解率（Probability-Weighted Accuracy）／6.5　代替効果／6.6　実験結果／6.7　結論／6.8　練習問題
第７章　ポートフォリオ構築
7.1　はじめに／7.2　ポートフォリオの凸最適化／7.3　条件数／7.4　マーコウィッツの呪い／7.5　共分散不安定性の原因としてのシグナル／7.6　NCOアルゴリズム／7.7　実験結果／7.8　結論／7.9　練習問題
第８章　テストデータのオーバーフィッティング
8.1　はじめに／8.2　適合率（precision）と再現率（recall）／8.3　多重テスト下での適合率と再現率／8.4　シャープレシオ／8.5　「偽戦略」定理（False Strategy Theorem）／8.6　実験結果／8.7　デフレシャープレシオ（Deflated Sharpe Ratio）／8.8　ファミリーワイズエラー率／8.9　結論／8.10　練習問題

著者紹介

マルコス・ロペス・デ・プラド（Marcos M. López de Prado）
コーネル大学工学部の実務家教授（professor of practice）であり、True Positive Technologies（TPT）社のCIOである。機械学習アルゴリズムとスーパーコンピュータを用いた投資戦略の開発において20年以上の経験を有する。2019年、The Journal of Portfolio Management誌から“Quant of the Year Award”を受賞。詳細についてはwww.QuantResearch.orgを参照。

訳者紹介

鹿子木　亨紀（かのこぎ　みちのり）
ニッセイアセットマネジメント チーフ・ポートフォリオ・マネジャー。外資系コンサルティングファーム、外資系資産運用会社を経て現職。東京大学工学部計数工学科卒、京都大学大学院工学研究科応用システム科学専攻修了（工学修士）、フランスINSEADにてMBA取得。CFA協会認定証券アナリスト。