近年来,机器学习(ML)已经逐渐渗透到金融领域,在重塑产生重大影响的定量金融学。许多金融公司,包括银行、保险公司,甚至是监管机构,已经利用这种技术来解决复杂的金融决策问题,分析大型金融数据集,复杂金融工具价格,管理操作风险,并预测未来价格路径。此外,自由和易于使用的编程语言的发展,如R和Python,增加了ML的广泛适用性和调查应用程序在许多其他行业除了融资。

算法交易和blockchain-based融资产生了强大的吸引力是毫升模型使用大数据来学习和提高可预见性和性能。然而,任何毫升的成功方法在很大程度上依赖于收集和使用适当的数据和应用正确的算法。在这种背景下,一个纯粹的数学方法,缺乏理论基础,会导致虚假的结果,因此创建或加强财务和非财务的风险。随着金融复杂性增加,交易和运营成本也会增加,因此毫升允许分析师处理更高的数据量和我以前难以实现通过自动化交易过程的信息。

这个特殊的问题旨在收集广泛的文章对机器学习及其应用金融和数学金融学。我们鼓励原创的高质量研究论文集中于小说的方式利用毫升技术来解决财政问题,如投资决策、预测、宏观经济分析、资产信用评估,分析大量历史数据,和P2P贷款等等。我们欢迎原始研究和评论文章。

潜在的主题包括但不限于以下:

• 定量金融和人工智能
• 复杂的衍生品定价和固定收益证券
• 算法交易、风险管理、模式识别和预测
• 承销、信用中介和信用评分
• Robo-advisors对项目组合管理
• 深深的定价,套期保值,过滤和深度校准
• 金融理论和毫升
• 金融毫升技术与传统方法的比较
• 在监管中的应用技术(RegTech),如欺诈或监控
• 动态资产配置模型
• 检测欺诈和市场或交易异常
• 与传统模型相比如自回归移动平均(ARIMA)或神经网络集成