譯者序
這是一本將機器學習算法應(yīng)用于金融與投資領(lǐng)域的入門書籍。本書通俗易懂，沒有令人生畏的數(shù)學公式，還包含豐富的Python代碼，方便讀者更好地理解書中的內(nèi)容。如果你計劃在金融與投資領(lǐng)域應(yīng)用機器學習技術(shù)，那么本書是你的極佳選擇。
本書聚焦于概率機器學習模型在金融與投資領(lǐng)域的應(yīng)用。選擇使用概率機器學習模型有諸多原因。首先，難以用模型刻畫金融與投資領(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誤和不確定性，而概率機器學習模型能夠處理這些錯誤與不確定性，將它們視為問題的特征而非缺陷；其次，概率機器學習模型可以融合個人經(jīng)驗和機構(gòu)知識，使得模型既具備從數(shù)據(jù)中學習的能力，又能借鑒先驗知識，從而可以避免失敗的投資可能帶來的毀滅性后果；最后，概率模型作為一種生成式模型，具備對自身局限性的認知能力，不僅能夠提供預(yù)測結(jié)果，還能給出預(yù)測結(jié)果的置信度。
此外，本書還介紹了概率論、機器學習以及金融與投資領(lǐng)域的一些有趣的知識，如貝葉斯定理的起源、頻率學派和貝葉斯學派（本書稱為認知學派）的分歧、蒙提霍爾問題（也叫三門問題）中的稟賦效應(yīng)、檢察官謬誤、沒有免費午餐定理以及賭徒破產(chǎn)定律等。這些內(nèi)容不僅對金融與投資領(lǐng)域的從業(yè)者大有裨益，對其他領(lǐng)域的讀者也有所啟發(fā)。
正如作者所述，本書的讀者對象為金融與投資領(lǐng)域具有獨立思考能力的從業(yè)者。相信閱讀完本書之后，讀者不但能夠掌握金融與投資領(lǐng)域概率機器學習模型的相關(guān)知識與技能，還將欣賞到作者犀利的批判性思維及其對諸多問題的獨到見解。
李波

前言

生成式人工智能，尤其是最近風靡一時的 ChatGPT-4 ，是當今備受矚目的技術(shù)。 概率機器學習（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，概率機器學習模型不是　黑盒模型，能夠以相當透明的方式根據(jù)結(jié)果推斷原因。這對金融和醫(yī)療等受到嚴格監(jiān)管的行業(yè)來說很重要，因為你必須向眾多利益相關(guān)者解釋模型決策的依據(jù)。
使用概率機器學習，你能夠系統(tǒng)地將個人與機構(gòu)的經(jīng)驗和知識編碼到機器學習模型中，以保持競爭優(yōu)勢。與傳統(tǒng)機器學習相比，概率機器學習能夠根據(jù)觀測數(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，而不受觀測數(shù)據(jù)的規(guī)模 和時序的限制。概率模型是一種生成式模型，它們知道自己的局限性，并通過擴大推理和預(yù)測范圍來真實地表達自己的無知。與之不同，ChatGPT不會提供 類似的可度量的值來描述模型對幻覺的不自信程度。從概率機器學習的角度來看，ChatGPT 的幻覺就是謊言。
所有的機器學習模型都基于以下假設(shè)：在訓練數(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)計模型固有的基礎(chǔ)缺陷， 非概率機器學習模型在面對從未訓練或測試過的數(shù)據(jù)模式時，會做出極差的推 斷和預(yù)測。此外，這些機器學習模型在完成這一切時極其自信，而不會提醒決 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越多地采用非概率機器學習模型，可能會給個人和整個社會帶來災(zāi)難性的后果，包括公司破產(chǎn)和經(jīng)濟衰退。在根據(jù)未知數(shù)據(jù)做出 推斷和預(yù)測時，所有機器學習模型都必須量化其推斷或預(yù)測的不確定性，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)意識到人工智能的局限性，并著手開發(fā)概率人工智能技術(shù)，以解決更加復(fù)雜的問題。最近， Google 公司推出了 TensorFlow Probability，擴展了其成熟的 TensorFlow 平臺。 同樣，Meta 公司和 Uber 公司也引入 Pyro，擴展了 PyTorch 平臺。目前，最流 行的開源概率機器學習平臺是 PyMC 和 Stan，其中 PyMC 由 Python 編寫，而 Stan 由 C 編寫。本書使用用戶友好且擁有龐大生態(tài)庫的 Python 編程語言。

讀者對象
本書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 必須采用某一個流程、模型或技術(shù)。通常，他們求知欲較強，喜歡學習。與此 同時，他們并不尋求煩瑣的數(shù)學證明或閱讀冗長的學術(shù)專著。本書每一章都提 供許多參考文獻供讀者參考，幫助他們尋找本書提到的概念和推導背后的數(shù)學 和技術(shù)細節(jié)。
有思想的從業(yè)者可以是個體投資者、分析師、開發(fā)人員、經(jīng)理、項目經(jīng)理、數(shù) 據(jù)科學家、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， 他們需要不斷學習新概念和技術(shù)，以推進業(yè)務(wù)和職業(yè)生涯的發(fā)展。對新概念和 技術(shù)的深度理解使他們有信心應(yīng)用所學的知識，為他們遇到的挑戰(zhàn)開發(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框架，使他們可以輕松地探索 和學習相關(guān)技術(shù)與概念。
本書假設(shè)讀者對金融、統(tǒng)計學、機器學習和 Python 有基本的了解，但不要求讀 者讀過指定的書籍或掌握指定的技能。

創(chuàng)作動機
目前，關(guān)于通用概率機器學習的書籍相對較少，而且沒有一本是專門致力于金 融和投資問題的。由于金融和投資領(lǐng)域的特殊性和復(fù)雜性，任何形式通用機器 學習的簡單應(yīng)用，特別是直接應(yīng)用概率機器學習，都注定要失敗。深入了解這 些領(lǐng)域?qū)Τ晒χ陵P(guān)重要。本書旨在為讀者提供扎實的概率機器學習基礎(chǔ)知識，并使用簡單的數(shù)學和 Python 代碼教會讀者將其應(yīng)用于金融和投資問題中。

我寫這本書還有另一個原因。時至今日，書籍仍然是一種嚴肅的信息傳遞媒介。 我想提醒讀者，現(xiàn)代金融理論和傳統(tǒng)統(tǒng)計推斷方法仍然存在嚴重缺陷。令人憤 慨的是，盡管這些看似科學的方法存在深刻的缺陷而且表現(xiàn)乏善可陳，但這些 方法仍然在學術(shù)界傳授，并在工業(yè)界被付諸實踐。
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)測人工智能的使用將 以指數(shù)級速度增長，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中的情節(jié)，因為當今即使是最先進的人工智能系統(tǒng)也缺乏幼兒所具有的常識。真正清晰而現(xiàn)實的危險是，不太聰明的人可能會使用傳統(tǒng)金融和統(tǒng)計學中的虛假模型來管理強大的專家。這很可能會導 致比以往更大的災(zāi)難，而且災(zāi)難來臨的速度會更快。

內(nèi)容導航
本書的內(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、統(tǒng)計和機器學習模型，并說明這些模型為什么沒有用。另一部分探討為何概率機器學習是這些領(lǐng)域更準確、更有用的模型。本書的重點是讓你理解這一復(fù)雜的多學科領(lǐng)域的基礎(chǔ)知識，因此只涵蓋關(guān)鍵概念和應(yīng)用。 本書每一章都介紹至少一個金融和投資領(lǐng)域的主要概念，并使用 Python 代碼付 諸實踐。本書的組織結(jié)構(gòu)如下：
第 1 章探討理論金融學的一些不足之處，解釋困擾所有金融模型的三種錯誤， 以及為什么需要一種系統(tǒng)化的方法來量化推斷和預(yù)測的不確定性。該章將解釋 為什么概率機器學習為金融和投資提供了一個有用的框架。
第 2 章借助蒙提霍爾問題（三門問題）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題及其算法重述、 沒有免費午餐（No Free Lunch，NFL）定理，以及它們是如何支撐金融、投資 和概率機器學習的。
第 3 章回顧一些重要的統(tǒng)計概念，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解決難以解析的問題。
第 4 章揭露科研和工業(yè)界常用的傳統(tǒng)統(tǒng)計推斷方法的欺騙行為，并解釋為什么它們會導致社會學和經(jīng)濟學充滿虛假研究。
第 5 章將探討概率機器學習框架，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)的風險，特別是它們?nèi)狈�基本常識，以及它們不 了解自身的局限性，這給所有利益相關(guān)者和整個社會都帶來了巨大的風險。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)雜問題。
第 7 章解釋概率機器學習本質(zhì)上是一種集成機器學習。該章將向讀者展示如何 使用 PyMC 、Xarray 和 ArviZ Python 庫為金融和投資領(lǐng)域的回歸問題開發(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險管理和資本配置 決策。該章將探討遍歷性的含義和使用集成平均進行金融決策的陷阱，還將研 究包括凱利準則在內(nèi)的資本配置算法的優(yōu)缺點。