本书是金融与财务机器学习课程的教材。金融和财务领域集中了大量的交易数据和财务数据，为人工智能技术的运用奠定了良好的数据基础。同时，机器学习技术突飞猛进，为行业提供了跨越式发展的机会。在相关专业和方向开设“金融与财务机器学习”课程正当其时。
本书介绍了金融实证分析的主要方法和前沿问题、金融与财务机器学习的主要方法、评估方法和案例等。本书共12章，包括：金融与财务领域的机器学习，Python软件使用简介，金融与财务大数据的处理与分析，因子与因子模型，因子模型的估计、检验与解释，金融资产收益预测，包含惩罚项的线性回归模型，数据降维模型，树形模型与分类模型，神经网络模型，模型评估、训练与可解释性，文本分析。
本书可作为普通高等学校经济学和管理学类专业的高年级本科和研究生教材，也适合对金融和财务领域机器学习感兴趣的读者参考。

马甜，中央民族大学经济学院副教授，本科和硕士就读于北京航空航天大学可靠性与系统工程学院，博士毕业于中央财经大学金融学院。主要研究方向为机器学习与资产定价，相关研究成果发表于《经济学（季刊）》《管理科学学报》、Journal of Empirical Finance等国内外权威金融杂志。主持国家自然科学基金青年项目。

前言
第一章 金融与财务领域的机器学习
第一节 机器学习的基本介绍
一、机器学习的历史
二、机器学习的分类
三、机器学习的思想
四、机器学习的要素
五、机器学习的步骤
六、机器学习与传统编程
第二节 机器学习在金融与财务领域的应用特性
一、金融与财务对机器学习的需求性
二、机器学习的优势
三、机器学习可能面临的挑战
第三节 机器学习在金融与财务领域的应用现状
第二章 Python软件使用简介
第一节 Python入门
一、Python简介
二、Python安装
三、Python使用
四、Python基础知识
第二节 Python数据处理程序包
一、多维数组Numpy
二、面板处理Pandas
三、科学计算SymPy
四、统计分析Statsmodels
五、金融计量Linearmodels
第三节 Python机器学习程序包
一、机器学习
二、深度学习
第三章 金融与财务大数据的处理与分析
第一节 大数据时代
一、理解大数据
二、金融大数据
三、本章概览
第二节 金融与财务数据资源
一、国泰安中国经济金融研究数据库
二、万得资讯
三、中国研究数据服务平台
四、证券价格研究中心（CRSP）
五、公开数据源
六、文献数据源
第二节 描述性统计
一、中心趋势性
二、分散性
三、对称性和厚尾性
四、持续性
五、相关性
第三节 数据预处理
一、缺失值处理
二、异常值处理
三、标准化处理
第四节 特征工程
一、特征工程简介
二、特征选择
第四章 因子与因子模型
第一节 因子与因子模型简介
一、金融与财务因子与因子模型简介
二、从单因子模型到多因子模型
第二节 Alpha与市场异象
一、Alpha收益
二、资产价格异象
第三节 多因子模型的新发展
一、因子检验的一般流程
二、Fama-French五因子模型
三、Hou-Xue-Zhang的q-因子模型
四、Stambaugh-Yuan错误定价因子模型
五、Liu-Stambaugh-Yuan的CH-3模型
第四节 因子分类
一、常见的因子分类
二、其他特色因子
第五节 因子模型的研究挑战
一、因子时变性
……
第五章 因子模型的估计、检验与解释
第六章 金融资产收益预测
第七章 包含惩罚项的线性回归模型
第八章 数据降维模型
第九章 树形模型与分类模型
第十章 神经网络模型
第十一章 模型评估、训练与可解释性
第十二章 文本分析