本书的主要贡献在于将投资组合的金融理论、高维高频协方差矩阵估计与预测的统计理论和各类机器算法有机结合在一起，尝试应对高频交易、高维资产的市场特征下投资组合模型应用面临的挑战。
本书可供从事金融理论、金融科技研究和量化投资的读者参考。

倪宣明，男，汉族，分别于2005年、2011年和2015年获南开大学学士、北京大学硕士和清华大学博士学位。2017年从中科院数学与系统科学研究院数学博士后出站后，加入北京大学软件与微电子学院工作至今，主要从事金融科技、金融计量学及金融经济学的教学与研究，有多篇学术论发表，著有《金融计量学》等教材。

第1章 投资组合理论
1.1 经典理论发展概述
1.2 经典理论的局限性
1.3 大数据时代的新挑战
1.4 投资组合与机器学习
1.5 本书的主要内容
第2章 投资组合理论的研究现状
2.1 基于风险侧的投资组合优化
2.2 加权投资组合优化
2.3 机器学习在投资组合中的应用
第3章 投资组合相关理论介绍
3.1 经典策略介绍
3.2 绩效评价指标
3.3 参数估计方法
第4章 投资组合优化与在线集成学习
4.1 在线集成学习
4.2 高频半协方差阵估计量
4.3 使用在线集成学习进行波动率预测
4.4 基于半协方差阵进行组合投资
4.5 投资组合在A股的实证表现
4.6 本章小结
附录：本章策略代码实现
第5章 高维投资组合优化
5.1 高维协方差矩阵估计量：POET
5.2 使用RCM算法改进POET估计量
5.3 投资组合在A股的实证表现
5.4 本章小结
附录：本章策略代码实现
第6章 投资组合优化与多任务相关学习
6.1 多任务相关学习
6.2 使用多任务相关学习改进投资组合策略
6.3 投资组合在A股的实证表现
6.4 本章小结
附录：本章策略代码实现
机器学习是否提升了经典策略的表现？
参考文献