本书系统性地介绍了资产定价和机器学习算法的基础理论与实践知识，并以机器学习算法应用于中国股票市场资产收益率预测项目为案例，具体展示了机器学习算法落地应用于中国金融业界的流程和效果。本书主要内容包括资产定价基础方法、机器学习算法评估知识、线性机器学习模型、回归树类机器学习模型、神经网络模型、中国股票市场制度背景、机器学习项目的数据清洗过程和机器学习项目的实践案例。本书在写作过程中尽可能地减少专业词汇，使内容通俗易懂。本书适合高校中高年级本科生、研究生和对从事量化金融感兴趣的人阅读。

张晓燕，1997年获北京大学经济学学士学位，2002年获哥伦比亚商学院金融学博士学位，国家“千人计划”专家。现任清华大学五道口金融学院院长助理、鑫苑讲席教授，中国证监会第十七届发行审核委员会委员。兼任清华大学国家金融研究院副院长、清华大学金融科技研究院副院长、鑫苑房地产金融科技研究中心主任。曾任康奈尔大学约翰逊商学院助理教授，普渡大学克兰纳特管理学院讲席教授和金融系主任。
主要研究领域：国际金融、实证资产定价、应用计量经济学，研究成果多次发表在同际顶级期刊，并屡获奖励。

第一章 引言：为什么资产定价需要机器学习
第一节 资产定价的核心问题：为什么不同的资产会有不同的收益
第二节 当资产定价遇到机器学习
第三节 相关学术文献介绍
第四节 相关业界应用场景
参考文献
第二章 资产定价的核心问题：股票预期收益率
第一节 投资组合分析
第二节 因子投资
第三节 中国因子模型
第四节 异象性因子的检验
参考文献
第三章 机器学习模型评估
第一节 过拟合与欠拟合
第二节 偏差和方差的权衡
第三节 回归问题机器学习模型的评价指标
第四节 机器学习的超参数调校
第四章 机器学习模型Ⅰ：线性模型
第一节 多元线性模型
第二节 带惩罚项的线性模型
第三节 降维视角的线性模型
第五章 机器学习模型Ⅱ：回归树模型
第一节 回归树
第二节 随机森林
第三节 梯度提升树
第六章 机器学习模型Ⅲ：神经网络模型
第一节 神经网络模型介绍
第二节 激活函数
第三节 优化算法
第四节 神经网络的训练
第五节 全连接神经网络模型的代码实现
参考文献
第七章 理解机器学习在中国股票市场应用的制度背景
第一节 中国股票市场概述
第二节 中国股票市场重要制度
第三节 中国股票市场特殊制度
第八章 为机器学习模型准备数据
第一节 数据来源与样本选择
第二节 股票收益率数据分析
第三节 财务数据处理
第四节 数据预处理步骤
第五节 实证中使用的股票特征变量构造介绍
参考文献
第九章 机器学习在中国金融市场中的实证应用
第一节 机器学习模型有效性验证：蒙特卡洛模拟方法
第二节 机器学习算法在中国A股市场的实证结果
第三节 IPCA模型在中国A股市场的实证结果
参考文献
第十章 结语与未来展望
第一节 机器学习模型与另类数据
第二节 机器学习模型与其他资产定价问题
参考文献