Pythonとファイナンス事例で学ぶ機械学習

書籍紹介

デリバティブの時価評価を行う機械学習プログラムをPythonで実装

購入者特典プログラム付き

◆Pythonコーディングの基礎から説明、初学者にも安心

◆Pythonで構築したニューラルネットワークでオプションの時価評価を実践

◆ニューラルネットワークで関数を近似できる理由とそのファイナンスへの応用可能性を探求

◆Pythonとニューラルネットワークを基礎から理論的に学びたいビジネスマンに最適の書

主要目次

１　序　　論

２　デリバティブと時価

２－１　デリバティブの種類

２－２　デリバティブの目的

２－３　デリバティブの会計

２－４　デリバティブの評価調整

２－５　バーゼル規制

２－６　数学の復習

２－７　固定キャッシュフローの時価

２－８　連続複利

２－９　先渡しの時価

２－10　ヨーロッパ型コールオプションの時価

２－11　モンテカルロ法の説明

３　機械学習

３－１　前章までの振り返り

３－２　ニューラルネットワークとは

３－３　ニューラルネットワークの設定

３－４　ニューラルネットワークの学習

３－５　誤差逆伝播法

３－６　【付録】誤差逆伝播法における第２層の偏微分係数の導出

３－７　【付録】誤差逆伝播法における第１層の偏微分係数の導出

３－８　前処理

３－９　ミニバッチ

４　時価評価への活用例

４－１　学習対象

４－２　入力変数が１つ，出力変数が１つの場合のニューラルネットワーク

４－３　入力変数が２つ，出力変数が１つの場合のニューラルネットワーク

４－４　入力変数が２つ，出力変数が２つの場合のニューラルネットワーク

５　Pythonによる実装の準備

５－１　環境の準備

５－２　変数の型と処理

５－３　条件分岐

５－４　繰り返し処理

５－５　関　　数

５－６　クラス

５－７　アレイ

５－８　データフレーム

５－９　描　　画

６　Pythonによる実装――入力も出力も１変数の場合

６－１　ニューラルネットワークの設定変数の準備

６－２　学習対象となる関数の用意

６－３　正解データの用意

６－４　訓練データと検証データの分離

６－５　データの確認

６－６　入力の変換

６－７　ニューラルネットワークの構築

６－８　ニューラルネットワークの学習実行と評価

７　Pythonによる実装――入力が２変数で出力が１変数の場合

７－１　学習対象となる関数の用意

７－２　正解データの用意

７－３　訓練データと検証データの分離

７－４　データの確認

７－５　入力の変換

７－６　ニューラルネットワークの構築

８　Pythonによる実装――入力が２変数で出力も２変数の場合

８－１　学習対象となる関数の用意

８－２　正解データの用意

９　ニューラルネットワークで関数を近似できる理由

９－１　入力が１変数，出力が１変数の場合①

９－２　入力が１変数，出力が１変数の場合②

９－３　入力が２変数，出力が１変数の場合

９－４　入力が２変数，出力が２変数の場合

９－５　ノードと層の数

10　機械学習をビジネスに応用するうえでの課題と展望

10－１　現場の喫緊ニーズ

10－２　機械学習における技術的な工夫

10－３　継続的な検証

10－４　モデルの説明責任

10－５　最後に

著者紹介

中山　季之（なかやま　としゆき）

2000年より2022年の執筆時まで大手銀行や証券会社で、主にデリバティブの評価やリスク分析を目的とした数理モデルの研究開発を中心に行い、近年は信用リスク管理業務に従事しながら、数理科学を業務に活用してきた。

また各大学での講義も兼務している。

明治大学　兼担講師（2022年度通年）

慶應義塾大学　非常勤講師（2022年度秋学期）

東京工業大学　非常勤講師（2022年度秋学期）

東京大学大学院　数理科学研究科博士課程修了（数理科学博士）

学術面では主に確率偏微分方程式とその応用の研究に取り組んでいる