本书从资产定价的核心问题出发，前沿而体系化地讨论了如何通过经济学推理将机器学习方法引入实证和理论资产定价研究之中，从而有效解决机器学习应用在资产定价中所面临的挑战，搭建了研究机器学习与资产定价的桥梁。为提升阅读体验，帮助读者充分理解书中内容，译者王熙教授与石川博士在行文中加入了精彩丰富的译者注，给原著提供必要的背景知识，从而帮助读者更好地掌握书中的行文逻辑。其中，为本书补充的诸多公式推导过程也能帮助读者加深对贝叶斯统计框架的理解。
本书读者对象：资产定价、机器学习、金融学、经济学、量化投资等金融科技相关领域的从业者、研究人员和其他感兴趣的读者。

石川，北京量信投资管理有限公司创始合伙人，首席科学家；清华大学学士、硕士，麻省理工学院博士；现任知名期刊computers in Industry编委会委员；曾就职Citigroup、Oracle及P&G。石川博士精通各种概率模型和统计建模方法，擅于以金融数学分析为手段进行资产配置、投资组合风险管理、量化多因子选股及衍生品CTA策略的开发，并对行为金融学有独到的见解，其研究成果多次发表于European，Jourhal of Operational Research等国际期刊。

第1章 引言
1.1 实证资产定价中的特设稀疏性假设
1.2 理论资产定价中的特设稀疏性假设
1.3 机器学习
1.4 术语
1.5 监督学习和无监督学习
1.6 本书的局限性
1.7 本书的结构
第2章 监督学习
2.1 将监督学习视为函数逼近问题
2.2 回归方法
2.2.1 线性方法：岭回归和Lasso
2.2.2 树方法和随机森林
2.2.3 神经网络
2.3 超参数调优
2.4 贝叶斯解释
第3章 资产定价中的监督学习
3.1 例子：截面股票收益率预测
3.2 预测性能评价
3.3 正则化与投资表现
3.4 预期收益率与协方差的关联
3.5 通过构建投资组合估计协方差矩阵
3.6 非线性
3.7 稀疏性
3.8 结构性变化
3.9 结束语
第4章 机器学习与截面资产定价
4.1 基于公司特征因子的资产定价
4.2 监督学习视角
4.2.1 收缩估计量
4.2.2 稀疏性
4.2.3 数据驱动的超参选择
4.3 实证分析
4.3.1 50个异象特征的实证结果
4.3.2 WRDS财务比例的实证结果
4.3.3 特征之间的交互作用
4.4 样本外资产定价检验
4.5 相关最新研究
4.6 结束语
第5章 投资者信念形成的机器学习模型
5.1 资产市场
5.1.1 投资者
5.1.2 定价
5.1.3 基于计量经济学的观测者视角
5.2 投资者学习
5.2.1 OLS学习
5.2.2 带有信息先验的贝叶斯学习
5.3 收益率可预测性
5.3.1 样本内收益率可预测性
5.3.2 （不存在）样本外收益率可预测性
5.4 扩展研究
5.4.1 稀疏性
5.4.2 额外的收缩和稀疏性
5.5 对实证研究的启示
5.6 结束语
第6章 研究议程
6.1 描述投资机会的特征
6.1.1 机器学习的经济学约束
6.1.2 非线性
6.1.3 结构性变化
6.2 资产需求分析
6.2.1 需求系统估计
6.2.2 预期的形成
6.3 机器学习的理论应用
6.3.1 有限理性
6.3.2 投资者的异质性
6.4 结束语
附录A 部分公式推导
参考文献
索引

大约在五年前，我在国
内的一次学术会议上介绍了
我的一篇关于机器学习和资
产定价的文章：Empirical
Asset Pricing via Machine
Learning。一位听众问了这
样一个问题：“您能否列举
出一家国内外的对冲基金是
靠机器学习算法挣钱的？”
这位听众的言外之意或许是
对机器学习在投资中的应用
前景持怀疑态度。在那个时
候，对于某些对冲基金来说
，机器学习或许还是“不能
说的秘密”。但现在看来，
机器学习几乎已经成为行业
的共识。我很难列举出一家
头部的量化对冲基金至今还
完全没有使用过任何机器学
习的技术。事实上，机器学
习的相关人才在金融相关的
就业市场上早已趋之若鹜。
差不多也是五年前，我
有机会在芝加哥与美国某顶
级对冲基金的首席投资官有
过一次深入交流。当时他令
我最为印象深刻的一句话是
“学术界的研究至少落后于
我们五年甚至十年，我们已
经不再阅读和关注金融学的
文献了。”虽然资产定价，
作为金融学最重要的分支之
一，其研究的核心目的并不
是为工业界提供投资策略。
但不可否认的是，资产定价
领域的杰出研究成果与工业
界的蓬勃发展向来密不可分
。从早期Markowitz提出的
均值-方差组合范式，到
Sharpe和Lintner等构想的
资本资产定价模型，到
Fama的有效市场假说，到
以Shiller等为首开展的行为
经济学研究，到Black和
Scholes发现的期权定价公
式，到Fama和French总结
的多因子股票模型，都无一
例外地带来了工业界的革命
性巨变。
机器学习这个资产定价
领域的新兴方向让我看到了
学术界的思想和工业界实践
再一次紧密融合的希望。我
前文提及的对冲基金早在十
年前就已经大规模地使用机
器学习里常见的变量选择和
降维技术。近几年来，美国
头部的几家对冲基金对神经
网络、自然语言处理、另类
数据等方向也有极大的关注
和投入。中国的对冲基金行
业更是以惊人的速度在短短
五年之内成长起来。以机器
学习、因子投资为主要理念
，达到百亿元规模的量化投
资团队已经超过百家。
在工业界如火如荼的发
展背后，学术界与此同时进
行的一系列研究给这一新兴
投资方法论提供了充分的理
论支持和严谨稳健的实证。
或许这一次的技术以及方法
论的变革工业界的确领先于
学术界，但学术研究和工业
实践之间的差距在迅速缩小
。未来实证资产定价研究最
有前景的方向之一是进一步
以经济学的理论为先验，设
计新的机器学习的方法，挖
掘另类数据中的洞见，从而
更好地理解投资者预期与资
产价格的复杂关系，为相关
的经济学理论提供反馈和补
充，以期进一步指导业界实
践。
在这样的背景之下，本
书的出版满足了想进入该领
域研究和实践的读者们最迫
切的需要。我与本书英文原
著作者Stefan Nagel不仅是
芝加哥大学布斯商学院的同
事，也是一起进行学术研究
的合作者。我们近期合作撰
写的The Statistical Limit of
Arbitrage就是机器学习方法
论完善与补充已有的经济金
融学理论的一个例子。他对
于研究的专注、治学的严谨
以及对经济学理论的直觉令
我印象深刻。在资产定价领
域，他是芝加哥大学乃至整
个金融学术界当之无愧的领
军人物之一。
我也是本书译者之一石
川博士博客的忠实读者。石
川博士撰写了一系列文章，
对资产定价领域的前沿研究
进行总结，更在其中结合了
他从业多年提炼出来的独到
见解。他的这些评论文章产
生的影响甚至不亚于他选评
的这些文章本身的贡献。我
因此也邀请他给上海交通大
学高级金融学院的硕士生和
博士生做过讲座，学生们也
是收获匪浅。
这次我非常有幸为《机
器学习与资产定价》撰写序
言。本书的原著从资产定价
的角度出发，介绍了机器学
习的方法论，并辅以详细的
数据实证，为经济金融背景
的读者们提供了机器学习方
法论的最好诠释，同时也为
已经具备统计与机器学习基
础的读者们提供了经济学直
观。难能可贵的是，原著指
出了现有文献中的局限，提
出了值得研究探索的新问题
，明确了未来资产定价领域
这个分支的发展方向。中文
版在此基础上添加了王熙与
石川两位博士的译者注，为
本书的读者提供了背景知识
和逻辑推导。基于我对本书
的作者和译者的了解，以及
对原著和中文版的精读，我
相信广大中国读者会和我一
样从本书中获益良多！