EP22⚙️機器學習數學基礎

這是一本由趙建容和顧先明合著，科學出版社於 2024 年 3 月出版的《機器學習數學基礎》。該書旨在為機器學習的初學者奠定堅實的數學基礎，重點介紹了回歸、分類、聚類和密度估計等模型所需的微積分、線性代數、機率論與數理統計學知識。內容從矩陣代數 開始，逐步進入機率與最佳化基礎，1. 機器學習在股市研究上的主要應用 股價趨勢預測 (Stock Price Trend Prediction)    ◦ 實值預測模型：機器學習中的線性回歸模型 能預測實值輸出，例如直接預測股價或房價趨勢。這可以幫助分析師和投資者判斷未來股價的可能走勢。    ◦ 時間序列分析：書中練習提及如何利用線性模型預測時間序列的未來取值，這直接呼應了股市價格作為時間序列的特性，可應用於預測股票、指數等金融產品的動態變化。    ◦ 複雜非線性關係捕捉：神經網路模型能夠處理輸入與輸出之間複雜的非線性關係，這對於捕捉股市中許多非線性的互動（如市場情緒、宏觀經濟數據與股價的關係）至關重要。2. 市場行為分析與分類 (Market Behavior Analysis and Classification)    ◦ 交易信號生成：邏輯回歸 和支持向量機 (SVM) 等分類模型，可根據歷史數據和技術指標，學習「買入/賣出」信號或預測股價是「上漲/下跌」。SVM 特別強調找出「最大分類間隔」，這有助於建立更穩健的交易決策邊界。3.數據降維與特徵工程 (Dimensionality Reduction and Feature Engineering)    ◦ 股市數據往往是高維的，包含眾多技術指標、基本面數據和宏觀經濟數據。主成分分析 (PCA) 是一種強大的降維技術，能夠從這些複雜的高維數據中提取出最重要的特徵，去除雜訊。這不僅簡化了數據分析，也能幫助分析師專注於最具有影響力的因子，書中也提及PCA在「經濟學的市場定位」方面有廣泛應用。4. 交易策略的建立與優化 (Trading Strategy Development and Optimization)    ◦ 「幾乎所有機器學習演算法最終都歸結為求解最佳化問題」，這意味著機器學習模型在股市中不僅能預測，也能透過最佳化理論 和迭代演算法（如梯度下降法 和牛頓法）來調整模型參數，以達到最佳的預測準確度或策略效能。5. 關鍵考量與局限性正如先前對話中所述，若不深入理解演算法背後的數學原理，可能導致「不知道設計決策，更不知道機器學習演算法本身的局限性，極有可能出現應用失誤」。這在股市研究中尤其危險，因為錯誤的決策可能導致巨大的財務損失。因此，負責任地應用機器學習於股市，必須{理解模型局限性}認識到模型僅能從歷史數據中學習，而股市受多重因素影響，包括無法量化的黑天鵝事件和人類行為，這些是模型難以完全捕捉的。