譯者序
這是一本將機(jī)器學(xué)習(xí)算法應(yīng)用于金融與投資領(lǐng)域的入門書(shū)籍。本書(shū)通俗易懂，沒(méi)有令人生畏的數(shù)學(xué)公式，還包含豐富的Python代碼，方便讀者更好地理解書(shū)中的內(nèi)容。如果你計(jì)劃在金融與投資領(lǐng)域應(yīng)用機(jī)器學(xué)習(xí)技術(shù)，那么本書(shū)是你的極佳選擇。
本書(shū)聚焦于概率機(jī)器學(xué)習(xí)模型在金融與投資領(lǐng)域的應(yīng)用。選擇使用概率機(jī)器學(xué)習(xí)模型有諸多原因。首先，難以用模型刻畫(huà)金融與投資領(lǐng)域的所有變量，模型的參數(shù)、輸入和輸出都不可避免地存在錯(cuò)誤和不確定性，而概率機(jī)器學(xué)習(xí)模型能夠處理這些錯(cuò)誤與不確定性，將它們視為問(wèn)題的特征而非缺陷；其次，概率機(jī)器學(xué)習(xí)模型可以融合個(gè)人經(jīng)驗(yàn)和機(jī)構(gòu)知識(shí)，使得模型既具備從數(shù)據(jù)中學(xué)習(xí)的能力，又能借鑒先驗(yàn)知識(shí)，從而可以避免失敗的投資可能帶來(lái)的毀滅性后果；最后，概率模型作為一種生成式模型，具備對(duì)自身局限性的認(rèn)知能力，不僅能夠提供預(yù)測(cè)結(jié)果，還能給出預(yù)測(cè)結(jié)果的置信度。
此外，本書(shū)還介紹了概率論、機(jī)器學(xué)習(xí)以及金融與投資領(lǐng)域的一些有趣的知識(shí)，如貝葉斯定理的起源、頻率學(xué)派和貝葉斯學(xué)派（本書(shū)稱為認(rèn)知學(xué)派）的分歧、蒙提霍爾問(wèn)題（也叫三門問(wèn)題）中的稟賦效應(yīng)、檢察官謬誤、沒(méi)有免費(fèi)午餐定理以及賭徒破產(chǎn)定律等。這些內(nèi)容不僅對(duì)金融與投資領(lǐng)域的從業(yè)者大有裨益，對(duì)其他領(lǐng)域的讀者也有所啟發(fā)。
正如作者所述，本書(shū)的讀者對(duì)象為金融與投資領(lǐng)域具有獨(dú)立思考能力的從業(yè)者。相信閱讀完本書(shū)之后，讀者不但能夠掌握金融與投資領(lǐng)域概率機(jī)器學(xué)習(xí)模型的相關(guān)知識(shí)與技能，還將欣賞到作者犀利的批判性思維及其對(duì)諸多問(wèn)題的獨(dú)到見(jiàn)解。
李波

前言

生成式人工智能，尤其是最近風(fēng)靡一時(shí)的 ChatGPT-4 ，是當(dāng)今備受矚目的技術(shù)。 概率機(jī)器學(xué)習(xí)（Machine Learning ，ML）是一種生成式人工智能，非常適用于金融和投資領(lǐng)域。與 ChatGPT 所使用的深度神經(jīng)網(wǎng)絡(luò)不同，概率機(jī)器學(xué)習(xí)模型不是　黑盒模型，能夠以相當(dāng)透明的方式根據(jù)結(jié)果推斷原因。這對(duì)金融和醫(yī)療等受到嚴(yán)格監(jiān)管的行業(yè)來(lái)說(shuō)很重要，因?yàn)槟惚仨毾虮姸嗬�益相關(guān)者解釋模型決策的依據(jù)。
使用概率機(jī)器學(xué)習(xí)，你能夠系統(tǒng)地將個(gè)人與機(jī)構(gòu)的經(jīng)驗(yàn)和知識(shí)編碼到機(jī)器學(xué)習(xí)模型中，以保持競(jìng)爭(zhēng)優(yōu)勢(shì)。與傳統(tǒng)機(jī)器學(xué)習(xí)相比，概率機(jī)器學(xué)習(xí)能夠根據(jù)觀測(cè)數(shù)據(jù)和模型假設(shè)，生成高質(zhì)量的模擬數(shù)據(jù)和模擬事實(shí)，而不受觀測(cè)數(shù)據(jù)的規(guī)模 和時(shí)序的限制。概率模型是一種生成式模型，它們知道自己的局限性，并通過(guò)擴(kuò)大推理和預(yù)測(cè)范圍來(lái)真實(shí)地表達(dá)自己的無(wú)知。與之不同，ChatGPT不會(huì)提供 類似的可度量的值來(lái)描述模型對(duì)幻覺(jué)的不自信程度。從概率機(jī)器學(xué)習(xí)的角度來(lái)看，ChatGPT 的幻覺(jué)就是謊言。
所有的機(jī)器學(xué)習(xí)模型都基于以下假設(shè)：在訓(xùn)練數(shù)據(jù)或樣本內(nèi)數(shù)據(jù)中發(fā)現(xiàn)的模式 將在測(cè)試數(shù)據(jù)或樣本外數(shù)據(jù)中持續(xù)存在。然而，由于統(tǒng)計(jì)模型固有的基礎(chǔ)缺陷， 非概率機(jī)器學(xué)習(xí)模型在面對(duì)從未訓(xùn)練或測(cè)試過(guò)的數(shù)據(jù)模式時(shí)，會(huì)做出極差的推 斷和預(yù)測(cè)。此外，這些機(jī)器學(xué)習(xí)模型在完成這一切時(shí)極其自信，而不會(huì)提醒決 策者注意模型決策中的不確定性。
在金融和投資決策中越來(lái)越多地采用非概率機(jī)器學(xué)習(xí)模型，可能會(huì)給個(gè)人和整個(gè)社會(huì)帶來(lái)災(zāi)難性的后果，包括公司破產(chǎn)和經(jīng)濟(jì)衰退。在根據(jù)未知數(shù)據(jù)做出 推斷和預(yù)測(cè)時(shí)，所有機(jī)器學(xué)習(xí)模型都必須量化其推斷或預(yù)測(cè)的不確定性，以便在復(fù)雜且不確定的世界中做出明智的決策。一些領(lǐng)先的公司已經(jīng)意識(shí)到人工智能的局限性，并著手開(kāi)發(fā)概率人工智能技術(shù)，以解決更加復(fù)雜的問(wèn)題。最近， Google 公司推出了 TensorFlow Probability，擴(kuò)展了其成熟的 TensorFlow 平臺(tái)。 同樣，Meta 公司和 Uber 公司也引入 Pyro，擴(kuò)展了 PyTorch 平臺(tái)。目前，最流 行的開(kāi)源概率機(jī)器學(xué)習(xí)平臺(tái)是 PyMC 和 Stan，其中 PyMC 由 Python 編寫(xiě)，而 Stan 由 C 編寫(xiě)。本書(shū)使用用戶友好且擁有龐大生態(tài)庫(kù)的 Python 編程語(yǔ)言。

讀者對(duì)象
本書(shū)的主要讀者是金融和投資領(lǐng)域有思想的從業(yè)者。有思想的從業(yè)者是指那些 不想按照手冊(cè)指示行事的人。他們希望理解技術(shù)背后的基本概念，以及為什么 必須采用某一個(gè)流程、模型或技術(shù)。通常，他們求知欲較強(qiáng)，喜歡學(xué)習(xí)。與此 同時(shí)，他們并不尋求煩瑣的數(shù)學(xué)證明或閱讀冗長(zhǎng)的學(xué)術(shù)專著。本書(shū)每一章都提 供許多參考文獻(xiàn)供讀者參考，幫助他們尋找本書(shū)提到的概念和推導(dǎo)背后的數(shù)學(xué) 和技術(shù)細(xì)節(jié)。
有思想的從業(yè)者可以是個(gè)體投資者、分析師、開(kāi)發(fā)人員、經(jīng)理、項(xiàng)目經(jīng)理、數(shù) 據(jù)科學(xué)家、研究員、投資組合經(jīng)理或量化交易員。這些有思想的從業(yè)者明白， 他們需要不斷學(xué)習(xí)新概念和技術(shù)，以推進(jìn)業(yè)務(wù)和職業(yè)生涯的發(fā)展。對(duì)新概念和 技術(shù)的深度理解使他們有信心應(yīng)用所學(xué)的知識(shí)，為他們遇到的挑戰(zhàn)開(kāi)發(fā)創(chuàng)造性 的解決方案。這種深度理解也為他們提供了一個(gè)框架，使他們可以輕松地探索 和學(xué)習(xí)相關(guān)技術(shù)與概念。
本書(shū)假設(shè)讀者對(duì)金融、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和 Python 有基本的了解，但不要求讀 者讀過(guò)指定的書(shū)籍或掌握指定的技能。

創(chuàng)作動(dòng)機(jī)
目前，關(guān)于通用概率機(jī)器學(xué)習(xí)的書(shū)籍相對(duì)較少，而且沒(méi)有一本是專門致力于金 融和投資問(wèn)題的。由于金融和投資領(lǐng)域的特殊性和復(fù)雜性，任何形式通用機(jī)器 學(xué)習(xí)的簡(jiǎn)單應(yīng)用，特別是直接應(yīng)用概率機(jī)器學(xué)習(xí)，都注定要失敗。深入了解這 些領(lǐng)域?qū)Τ晒χ陵P(guān)重要。本書(shū)旨在為讀者提供扎實(shí)的概率機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)，并使用簡(jiǎn)單的數(shù)學(xué)和 Python 代碼教會(huì)讀者將其應(yīng)用于金融和投資問(wèn)題中。

我寫(xiě)這本書(shū)還有另一個(gè)原因。時(shí)至今日，書(shū)籍仍然是一種嚴(yán)肅的信息傳遞媒介。 我想提醒讀者，現(xiàn)代金融理論和傳統(tǒng)統(tǒng)計(jì)推斷方法仍然存在嚴(yán)重缺陷。令人憤 慨的是，盡管這些看似科學(xué)的方法存在深刻的缺陷而且表現(xiàn)乏善可陳，但這些 方法仍然在學(xué)術(shù)界傳授，并在工業(yè)界被付諸實(shí)踐。
我們正處于人工智能技術(shù)發(fā)展的十字路口，大多數(shù)專家預(yù)測(cè)人工智能的使用將 以指數(shù)級(jí)速度增長(zhǎng)，從根本上改變我們的生活方式、工作方式和交往方式。人工智能系統(tǒng)即將接管人類是科幻小說(shuō)中的情節(jié)，因?yàn)楫?dāng)今即使是最先進(jìn)的人工智能系統(tǒng)也缺乏幼兒所具有的常識(shí)。真正清晰而現(xiàn)實(shí)的危險(xiǎn)是，不太聰明的人可能會(huì)使用傳統(tǒng)金融和統(tǒng)計(jì)學(xué)中的虛假模型來(lái)管理強(qiáng)大的專家。這很可能會(huì)導(dǎo) 致比以往更大的災(zāi)難，而且災(zāi)難來(lái)臨的速度會(huì)更快。

內(nèi)容導(dǎo)航
本書(shū)的內(nèi)容在邏輯上可以分為兩部分，交織在每一章中。一部分研究金融和投 資領(lǐng)域流行的經(jīng)濟(jì)、統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型，并說(shuō)明這些模型為什么沒(méi)有用。另一部分探討為何概率機(jī)器學(xué)習(xí)是這些領(lǐng)域更準(zhǔn)確、更有用的模型。本書(shū)的重點(diǎn)是讓你理解這一復(fù)雜的多學(xué)科領(lǐng)域的基礎(chǔ)知識(shí)，因此只涵蓋關(guān)鍵概念和應(yīng)用。 本書(shū)每一章都介紹至少一個(gè)金融和投資領(lǐng)域的主要概念，并使用 Python 代碼付 諸實(shí)踐。本書(shū)的組織結(jié)構(gòu)如下：
第 1 章探討理論金融學(xué)的一些不足之處，解釋困擾所有金融模型的三種錯(cuò)誤， 以及為什么需要一種系統(tǒng)化的方法來(lái)量化推斷和預(yù)測(cè)的不確定性。該章將解釋 為什么概率機(jī)器學(xué)習(xí)為金融和投資提供了一個(gè)有用的框架。
第 2 章借助蒙提霍爾問(wèn)題（三門問(wèn)題）回顧概率論的基本概念，將探討概率的含義，并探索遍及世界的三種不確定性。該章還將探討歸納問(wèn)題及其算法重述、 沒(méi)有免費(fèi)午餐（No Free Lunch，NFL）定理，以及它們是如何支撐金融、投資 和概率機(jī)器學(xué)習(xí)的。
第 3 章回顧一些重要的統(tǒng)計(jì)概念，解釋作為最重要的數(shù)值技術(shù)之一的蒙特卡羅模擬（Monte Carlo Simulation ，MCS）如何生成近似概率來(lái)解決難以解析的問(wèn)題。
第 4 章揭露科研和工業(yè)界常用的傳統(tǒng)統(tǒng)計(jì)推斷方法的欺騙行為，并解釋為什么它們會(huì)導(dǎo)致社會(huì)學(xué)和經(jīng)濟(jì)學(xué)充滿虛假研究。
第 5 章將探討概率機(jī)器學(xué)習(xí)框架，并展示如何將數(shù)據(jù)推理和新數(shù)據(jù)模擬在邏輯上無(wú)縫地集成到這種生成模型中。
第 6 章揭示傳統(tǒng)人工智能系統(tǒng)的風(fēng)險(xiǎn)，特別是它們?nèi)狈�基本常識(shí)，以及它們不 了解自身的局限性，這給所有利益相關(guān)者和整個(gè)社會(huì)都帶來(lái)了巨大的風(fēng)險(xiǎn)。馬爾可夫鏈蒙特卡羅模擬是一種依存抽樣方法，用于解決金融和投資領(lǐng)域的復(fù)雜問(wèn)題。
第 7 章解釋概率機(jī)器學(xué)習(xí)本質(zhì)上是一種集成機(jī)器學(xué)習(xí)。該章將向讀者展示如何 使用 PyMC 、Xarray 和 ArviZ Python 庫(kù)為金融和投資領(lǐng)域的回歸問(wèn)題開(kāi)發(fā)生成 式線性集成模型。
第 8 章展示如何將生成式集成模型應(yīng)用于金融和投資中的風(fēng)險(xiǎn)管理和資本配置 決策。該章將探討遍歷性的含義和使用集成平均進(jìn)行金融決策的陷阱，還將研 究包括凱利準(zhǔn)則在內(nèi)的資本配置算法的優(yōu)缺點(diǎn)。