幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

非隨機高維因果推斷及其在穩定機器學習中的應用研究

  • 作者：李愛忠|責編:常家鳳
  • 出版社：經濟科學
  • ISBN：9787521871616
  • 出版日期：2025/06/01
  • 裝幀：平裝
  • 頁數：248
人民幣：RMB 108 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書圍繞非隨機場景下的高維因果推斷核心問題，系統梳理因果推斷與穩定機器學習的前沿理論進展，融合因果機制、分佈外泛化、圖神經網路、強化學習等技術，構建適配非隨機實驗的多模態高維因果推斷新範式，建立多套包含因果特徵選擇、不變因果學習、啟髮式自適應穩定優化的融合方法體系。
    書中將理論方法落地至金融管理領域，圍繞資產定價、組合優化、風險感知鏈路預測等場景，設計稀疏低秩因子推斷、多目標矩陣回歸組合優化、連續時間「均值-方差-熵」投資策略、增強型指數投資組合等針對性模型，通過多維度實證驗證方法的有效性。最終形成非隨機實驗下多模態一致的高維因果推斷統一框架，可為機器學習突破分佈依賴瓶頸、提升泛化穩定性提供新路徑，也為金融管理決策等領域的高複雜場景建模提供創新性參考方案。
作者介紹
李愛忠|責編:常家鳳
    李愛忠，男，博士，山西財經大學副教授。研究方向為大數據分析、因果推斷、智能金融、數量經濟與風險管理。成果集中在穩健矩陣回歸、高維因子模型、集成預測、非線性資產定價、投資組合及風險管理等方面。主持國家社會科學基金項目2項，參與國家自然科學基金項目多項，出版專著2部，在《系統工程理論與實踐》《中國管理科學》《系統科學與數學》《管理評論》等核心期刊發表論文數十篇。
目錄
第1章  緒論
  1.1  研究背景及研究意義
  1.2  相關文獻研究綜述
  1.3  因果模型
  1.4  國內外研究現狀及動態
  1.5  研究內容和結構安排
  1.6  研究思路和方法
  1.7  主要創新點
第2章  因果推斷的理論、模型及其前沿進展
  2.1  因果建模理論
  2.2  獨立的因果機制
  2.3  因果發現和機器學習
  2.4  因果遷移學習
  2.5  對深度機器學習的啟示
  2.6  關聯圖神經網路與結構因果模型
  2.7  基於強化學習的動態因果推斷
  2.8  MDP的潛在成果框架
  2.9  ATE的可識別性
  2.10  文本因果推斷
  2.11  本章小結
第3章  非隨機實驗的高維因果推斷與穩定機器學習的理論與方法
  3.1  非隨機實驗下基於推理的多模態高維因果推斷新範式
  3.2  基於分佈外泛化的多核集成的因果遷移學習
  3.3  因果不變學習
  3.4  穩定學習
  3.5  DRO穩健優化和因果關係
  3.6  穩定學習和因果關係
  3.7  基於高維因果推斷的啟髮式動態自適應穩定機器學習
  3.8  本章小結
第4章  數據干預機制下高維因果推斷的穩定機器學習模型及其應用
  4.1  高維因果特徵選擇
  4.2  數據干預的高維因果回歸模型
  4.3  模型擴展
  4.4  實證研究
  4.5  本章小結
第5章  基於數據驅動的高維因果推斷模型及其應用
  5.1  引言
  5.2  稀疏低秩的高維因子推斷模型
  5.3  多因子非線性資產定價模型
  5.4  實證分析
  5.5  本章小結
第6章  動力學機制下高維因果推斷與圖網路風險感知的組合管理應用研究
  6.1  動力學機制下的高維因果學習模型
  6.2  基於圖網路結構的熵不確定性風險鏈路預測模型
  6.3  稀疏低秩的多目標矩陣回歸的組合優化
  6.4  實證研究
  6.5  本章小結
第7章  競爭性高維因果模型與穩定機器學習及其應用
  7.1  引言
  7.2  雙輪驅動的因果學習模型

  7.3  競爭性因果學習模型
  7.4  應用實例：金融資產定價
  7.5  本章小結
第8章  多模態高維因果模型及其在穩定機器學習中的應用
  8.1  引言
  8.2  三輪驅動的因果學習模型
  8.3  競爭性多模態因果學習
  8.4  實證分析
  8.5  本章小結
第9章  基於高維因果集成學習的連續時間資產組合管理策略
  9.1  高維因果驅動下深度融合的多因子資產組合選擇模型
  9.2  「均值-方差-熵」的連續時間投資組合優化模型
  9.3  BP神經網路的函數逼近演算法及二次優化
  9.4  實證研究
  9.5  本章小結
第10章  反事實高維因果推斷與自適應穩定機器學習及其應用
  10.1  反事實驅動的因果學習模型
  10.2  基於高維因果推斷的自適應穩定機器學習
  10.3  基於自適應穩定機器學習的多因子資產選擇模型
  10.4  增強型指數的投資組合優化模型
  10.5  實證研究
  10.6  本章小結
第11章  基於非隨機實驗的高維因果推斷：一個多模態一致的統一框架
  11.1  引言
  11.2  文獻回顧和評述
  11.3  非隨機實驗下基於推理的多模態高維因果推斷新範式
  11.4  多模態一致的統一框架：基於受限模型平均的演算法因果推斷
  11.5  基於多機器學習的受限模型平均估計的準則與步驟
  11.6  本章小結
第12章  多模態因果推斷、自適應穩定學習及其在金融管理決策中的應用
  12.1  引言
  12.2  穩定學習及其關鍵問題
  12.3  多模態高維因果推斷與機器學習的融合
  12.4  因果關係驅動的動態自適應穩定機器學習
  12.5  金融管理決策的應用場景
  12.6  本章小結
第13章  總結與展望
  13.1  研究內容及結論總結
  13.2  未來研究思路展望
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032