Market Microstructure Theory
本书系统地研究了市场微观结构的理论体系，涵盖了库存模型和信息模型两个主要范式，重点分析了交易机制如何影响价格形成、信息揭示与市场效率，特别讨论了市场设计对于流动性、市场稳定性及多市场行为的影响，为理解证券市场中价格动态和投资者行为提供全面的理论框架 [page::2][page::10][page::13][page::21][page::58][page::159][page::181][page::186]
金融研报AI分析
Mastering Python for Finance Second Edition
本报告内容涵盖Python金融量化分析的全方面应用，详细介绍了环境搭建、金融基础概念、数值方法以及统计与机器学习技术在金融中的实现。重点包括构建期权定价模型（如二叉树、三叉树、有限差分等）、利率模型（Vasicek等）、时间序列分析（如PCA与单位根检测）、量化因子构建、算法交易系统设计与回测方法，以及基于TensorFlow和Keras的深度学习模型实操，全面支撑金融数据科学研究与量化策略开发 [page::16][page::17][page::151][page::196][page::229][page::269][page::305][page::334][page::370].
Mastering pandas for Finance
本报告全面系统地介绍了如何使用Python及其pandas库处理金融数据，涵盖了历史股价获取、时间序列分析、量化交易策略构建与回测、期权定价与风险管理、多因子投资组合优化等核心金融计算技术。通过丰富的代码示例和图表演示，深入剖析了量化策略逻辑、策略信号生成与绩效评估方法，特别利用Zipline平台实现算法交易模拟，并采用Mibian库完成Black-Scholes期权定价，全面展现了pandas在金融量化分析中的应用[page::13][page::14][page::185][page::223].
Advances in Financial Machine Learning
本报告介绍金融机器学习领域的前沿方法，针对金融数据的特殊性质提出了包括数据结构化、标记、样本权重、分数微分、回测、特征重要性及量化策略构建等系统化流程。报告强调团队协作与工厂式研究的必要性，针对金融领域回测过拟合风险提供定量衡量方法，并提出由层次风险平价（HRP）等创新资产配置方案，显著改善传统方法的表现，助力提升机器学习在投资决策中的应用效果 [page::5][page::30][page::38][page::70][page::94][page::121][page::173][page::221][page::329]
Machine Learning in Finance From Theory to Practice
本报告系统介绍了金融领域机器学习的理论基础与实践应用，涵盖监督学习、序列学习与强化学习。报告强调机器学习在金融计量经济学中的非参数推广作用及风险控制能力，深入剖析包含贝叶斯回归、高级神经网络、马尔可夫决策过程与逆强化学习在内的前沿技术，涵盖算法交易、风险管理、动态资产配置等实战案例。通过对高维数据的因子建模、时间序列分析、马尔科夫模型及深度强化学习方法的系统阐释，体现对传统金融模型的数学拓展，特别提出结合物理学方法构建市场动力学模型的新视角，为金融投资与风控提供方法论创新与实用解读 [page::5][page::8][page::241][page::437][page::536].
Machine Learning in Asset Pricing
本报告深入探讨机器学习方法在资产定价领域的应用，重点解决高维度预测变量带来的传统统计方法难题。通过引入经济学先验知识，结合贝叶斯回归和弹性网正则化，实证结果显示在大规模特征集下，可有效提升横截面资产回报的预测性能及资产支付贴现因子的估计精度。理论部分建立投资者高维学习模型，揭示高维度学习误差对资产价格可预测性的影响，强调样本内预测不可直接推断风险溢价或行为偏差，促使关注样本外测试以分辨学习效应和其它因素。报告同时指出非线性及结构变迁的重要性，提出未来结合经济约束的机器学习方法研究方向，为资产定价理论和实务提供新视角与工具支持[page::14][page::44][page::66][page::119][page::131]
Machine Learning for Finance: The practical guide to using data-driven algorithms in banking, insurance, and investments
本报告系统讲解机器学习在金融领域的应用，涵盖结构化数据、计算机视觉、时间序列、自然语言处理、生成模型、强化学习、模型调试与保护、以及模型公平性和贝叶斯推断。通过丰富的实例（如信用卡欺诈检测、图像识别、文本分类及交易策略），深入阐释机器学习算法的原理、构建方法及实战技巧，并关注数据处理、模型优化及合规风险，帮助金融从业者构建高效、可解释且合规的智能系统[page::2][page::15][page::61][page::91][page::135][page::187][page::247][page::297][page::341][page::385][page::421]。
Machine Learning for Asset Managers
本报告系统介绍了机器学习（ML）在资产管理中的理论探索与应用，强调理论优先于回测，通过ML揭示金融变量及其相互关系，有效识别噪声与信号，构建稳健的量化投资组合方案，并辅以多重测试调整方法减少过拟合风险。ML工具不仅优化投资组合构造，提升因子重要性解释能力，还为经济与金融理论提供新的发现路径，实现高效风险控制与绩效评估。报告结合大量编程示例，重点涵盖协方差矩阵去噪、距离度量、聚类算法、标注方法、特征重要性分析、投资组合优化以及多重测试过拟合问题，系统阐述现代金融机器学习核心方法和实践策略，为资产管理行业提供了理论与实操指导 [page::4][page::6][page::8][page::14][page::29][page::43][page::57][page::70][page::79][page::97][page::110]
High-Frequency Trading: A Practical Guide to Algorithmic Strategies and Trading Systems
本报告系统梳理了高频交易（HFT）的发展历程、技术基础、市场结构、策略类型及其绩效评估，涵盖了高频数据特性、交易成本构成与估测、市场微结构、主流量化策略（统计套利、事件驱动、自动做市及流动性探测等），并深入解析算法执行与风险管理机制。报告特别关注高频交易所面临的监管框架、市场操纵监测及系统实施细节，结合权威数据与实证图表，全面展示了高频交易在现代金融市场的运作机理与实务要求，为从业者提供理论与应用一体的指导体系[page::0][page::12][page::31][page::32][page::67][page::91][page::109][page::117][page::132][page::179][page::210][page::224][page::240][page::260][page::271][page::286][page::292][page::301][page::306]
Hands-On Machine Learning for Algorithmic Trading
本研报系统介绍了机器学习（ML）在量化交易策略设计与执行中的全流程应用，涵盖市场、基础与另类数据的获取与处理，因子研究与综合，策略回测与评估，以及基于深度学习及强化学习的前沿技术。并通过丰富的Python实操（如使用zipline、alphalens、pyfolio、xgboost、pymc3套件），深入剖析了量化因子构建、模型训练调优及多种机器学习算法在投资中的具体实践与挑战，推动投资者构建基于智能算法的高效投资策略 [page::2][page::19][page::26][page::44][page::107][page::136][page::165][page::193][page::242][page::278][page::302][page::331][page::369][page::407][page::436][page::459].
Financial Technology: Case Studies in Fintech Innovation
本报告系统阐述了金融科技（Fintech）对传统金融行业的深刻影响，聚焦金融平台、云计算、人工智能、区块链、行为经济学和监管科技等关键技术及其应用。通过详尽的案例分析，论述了技术驱动的业务模式创新、风险管理与合规挑战，以及未来发展的重要趋势，特别强调平台银行模式对金融生态的再造、数据安全及监管环境的演进对创新的双重驱动作用，为金融机构和投资者提供全面的技术与策略参考 [page::1][page::7][page::34][page::76][page::104][page::160][page::187][page::218][page::241]。
Financial Signal Processing and Machine Learning
本书系统梳理了金融信号处理与机器学习领域最新进展，涵盖高维协方差估计、稀疏建模、非高斯统计依赖、因子模型及量化投资方法；详细讨论了统计套利中的均值回复组合构建、时间因果建模、AR(1)过程稀疏特征，以及协方差和精度矩阵估计技术，还包括条件风险价值（CVaR）优化与支持向量机的结合，以实证股票期权等数据为例，体现理论与应用融合 [page::0][page::19][page::26][page::33][page::63][page::156][page::345]
Financial Machine Learning
本报告系统性综述了金融机器学习前沿文献，聚焦其在资产定价、因子模型、风险溢价测度及组合优化中的应用。通过理论和实证结合，强调模型复杂度提升与经济最优化表现的正相关性，展示多种机器学习模型（如深度神经网络、决策树、自动编码器）在高维金融数据中的预测与定价优势，同时讨论了机器学习在交易成本、资产配置及结构模型估计中的挑战与机遇 [page::0][page::3][page::22][page::25][page::97][page::118][page::128][page::134]。
