内容

目次

第1章 金融の仕組みについて 第I部 均衡価格アプローチ 第2章 最適ポートフォリオ 2.1 期待リターンとボラティリティ 　2.1.1 ポートフォリオの期待リターン 　2.1.2 ポートフォリオのボラティリティ 　2.1.3 期待リターンとボラティリティの関係 2.2 安全資産を含まないポートフォリオの最適化 2.3 安全資産を含むポートフォリオの最適化 第3章 CAPM 3.1 投資家の期待効用最大化 3.2 市場の均衡 　3.2.1 超過供給と超過需要 　3.2.2 CAPM 　3.2.3 確率的ディスカウント・ファクター 第4章 回帰モデル 4.1 正規方程式 4.2 モデルの推定 　4.2.1 データの取得 　4.2.2 前処理 　4.2.3 データの分割 　4.2.4 パラメータ推定 4.3 過学習 　4.3.1 検証 　4.3.2 正則化 　4.3.3 グリッドサーチ 第II部 無裁定価格アプローチ 第5章 無裁定 5.1 定　義 5.2 無裁定とリスク中立確率 　5.2.1 二項モデル 　5.2.2 三項モデル 　5.2.3 2期間二項モデル 第6章 デリバティブ 6.1 先渡 6.2 先物 6.3 オプション 6.4 スワップ 第7章 統計的裁定 7.1 定　義 7.2 共和分法 　7.2.1 定常性と統計的裁定 　7.2.2 共和分過程 　7.2.3 Pythonによる共和分検定 7.3 マーケット中立化法 　7.3.1 裁定価格理論 　7.3.2 裁定が可能な場合のマーケット中立化法 　7.3.3 統計的裁定が可能な場合のマーケット中立化法 7.4 ディスタンス法 第III部 データ駆動アプローチ 第8章 分類 8.1 2クラス分類 　8.1.1 交差エントロピー誤差 　8.1.2 交差エントロピー誤差の含意 　8.1.3 ロジスティック・シグモイド関数 　8.1.4 ロジスティック回帰を用いた予測 8.2 多クラス分類 　8.2.1 データの整備 　8.2.2 フィッティング 第9章 ディープラーニング 9.1 ディープラーニングの基本的な仕組み 　9.1.1 確率的勾配降下法 　9.1.2 誤差逆伝播法 9.2 データの準備とKerasの基本 9.3 学習の高速化 　9.3.1 早期終了 　9.3.2 最適化手法 　9.3.3 ミニバッチ 9.4 勾配消失問題 　9.4.1 活性化関数 　9.4.2 重みの初期値 　9.4.3 バッチ正規化 9.5 過学習の抑制 　9.5.1 正則化 　9.5.2 ドロップアウト 第10章 リカレントニューラルネットワーク 10.1 データの準備 　10.1.1 データの取得 　10.1.2 共和分検定 　10.1.3 系列データの整備 　10.1.4 ARIMA 10.2 RNN 　10.2.1 シンプルなRNN 　10.2.2 LSTM 　10.2.3 GRU 10.3 ディープラーニングの共和分法への応用 参考文献 章末問題解答 索　引