データ駆動型ファイナンス

―基礎理論からPython機械学習による応用―

データ駆動型ファイナンス
著者 吉川 大介
分野 数学  > データサイエンス
数学  > 応用数学  > 経済・経営数学
情報・コンピュータ  > プログラミング・言語  > Python
経済・経営  > ファイナンス・会計・簿記  > 数理ファイナンス
発売日 2022/07/29
ISBN 9784320096523
体裁 B5変・272頁
定価 3,740円 (本体3,400円 + 税10%)
  • この本の
    内容
  • 目次
  • 関連情報

現在、和書洋書を問わずファイナンスにおける機械学習の応用に関する書籍はかなりの数が出版されてきている。しかし、これまで出版されてきた書籍は、理論や技術に関する詳細には触れず機械学習やFinTechの広範な活用を紹介するものと、機械学習のテクニックを金融データへ応用した技術書とがほとんどで、前者のような初歩的な紹介本から後者のような技術書へのギャップは非常に大きい。本書はこうしたギャップを埋めることを目的の一つにしている。つまり、ファイナンスの標準理論をなるべく直観的な形で行い、その理論の中でなぜ機械学習を活用することが重要なのか、それがファイナンスにおいてどのような意味があるのかを可能な限り自然に理解できるように試みた。また、単にファイナンスにおける機械学習の意義を説明するだけでなく、実際に読者自身でも応用が可能なようにPythonによる豊富な実装例を載せていることも特長の一つである。
また、技術書によくみられるファイナンスの理論とPython実装例を並行した記述スタイルをとらず、両者を分離した記述スタイルをとったことも特長の一つである。これにより理論の意味や解釈をはっきりと示しただけでなく、一般的なファイナンス理論の教科書としても使えるように配慮した。
さらに理論の直観的な理解を助けるため、難しい数式展開などは極力、演習問題の形で掲載し、本文中の議論の展開は理論の意義や解釈に重点を置くようにした。これにより、理論の全体的な流れを把握したい読者は本文のみを通読し、厳密な理論展開を好む読者は演習問題にも取り組むことで、読者の目的に応じてそれぞれの満足度を高めつつ一定の理解度に到達できるような構成になっている。

第1章 金融の仕組みについて

第I部 均衡価格アプローチ

第2章 最適ポートフォリオ
2.1 期待リターンとボラティリティ
 2.1.1 ポートフォリオの期待リターン
 2.1.2 ポートフォリオのボラティリティ
 2.1.3 期待リターンとボラティリティの関係
2.2 安全資産を含まないポートフォリオの最適化
2.3 安全資産を含むポートフォリオの最適化

第3章 CAPM
3.1 投資家の期待効用最大化
3.2 市場の均衡
 3.2.1 超過供給と超過需要
 3.2.2 CAPM
 3.2.3 確率的ディスカウント・ファクター

第4章 回帰モデル
4.1 正規方程式
4.2 モデルの推定
 4.2.1 データの取得
 4.2.2 前処理
 4.2.3 データの分割
 4.2.4 パラメータ推定
4.3 過学習
 4.3.1 検証
 4.3.2 正則化
 4.3.3 グリッドサーチ

第II部 無裁定価格アプローチ

第5章 無裁定
5.1 定 義
5.2 無裁定とリスク中立確率
 5.2.1 二項モデル
 5.2.2 三項モデル
 5.2.3 2期間二項モデル

第6章 デリバティブ
6.1 先渡
6.2 先物
6.3 オプション
6.4 スワップ

第7章 統計的裁定
7.1 定 義
7.2 共和分法
 7.2.1 定常性と統計的裁定
 7.2.2 共和分過程
 7.2.3 Pythonによる共和分検定
7.3 マーケット中立化法
 7.3.1 裁定価格理論
 7.3.2 裁定が可能な場合のマーケット中立化法
 7.3.3 統計的裁定が可能な場合のマーケット中立化法
7.4 ディスタンス法

第III部 データ駆動アプローチ

第8章 分類
8.1 2クラス分類
 8.1.1 交差エントロピー誤差
 8.1.2 交差エントロピー誤差の含意
 8.1.3 ロジスティック・シグモイド関数
 8.1.4 ロジスティック回帰を用いた予測
8.2 多クラス分類
 8.2.1 データの整備
 8.2.2 フィッティング

第9章 ディープラーニング
9.1 ディープラーニングの基本的な仕組み
 9.1.1 確率的勾配降下法
 9.1.2 誤差逆伝播法
9.2 データの準備とKerasの基本
9.3 学習の高速化
 9.3.1 早期終了
 9.3.2 最適化手法
 9.3.3 ミニバッチ
9.4 勾配消失問題
 9.4.1 活性化関数
 9.4.2 重みの初期値
 9.4.3 バッチ正規化
9.5 過学習の抑制
 9.5.1 正則化
 9.5.2 ドロップアウト

第10章 リカレントニューラルネットワーク
10.1 データの準備
 10.1.1 データの取得
 10.1.2 共和分検定
 10.1.3 系列データの整備
 10.1.4 ARIMA
10.2 RNN
 10.2.1 シンプルなRNN
 10.2.2 LSTM
 10.2.3 GRU
10.3 ディープラーニングの共和分法への応用

参考文献
章末問題解答
索 引

Shopping
ご注文

3,740円
(本体3,400円 + 税10%)

ネット書店で購入