Zum Inhalt

Machine Learning in Finance: From Theory to Practice

Autoren: Matthew F. Dixon, Igor Halperin, Paul Bilokon | Jahr: 2020 | Verlag: Springer

Das akademische Standardwerk zu maschinellem Lernen in der Finanzanwendung — und im Bestand die theoretische Ergänzung zu 2026-07-28_coqueret_guida_ml_factor_investing (angewandt auf Faktoren) und 2026-05-12_lopez_de_prado_advances_ml (methodische Fallstricke).

Aufbau

Der Untertitel ist Programm — von der statistischen Grundlage zur Anwendung:

  • Bayes'sche Inferenz mit linearer Regression, frequentistische Inferenz, Bayes-Regression und Gauß-Prozesse
  • Feedforward-Architekturen und die Frage nach der Erklärungskraft neuronaler Netze
  • Interpretierbarkeit als eigenes Thema
  • Zeitreihen: autoregressive Modelle, Hidden-Markov-Modelle, rekurrente Netze, Gated Recurrent Units
  • Probabilistische Modellierung und Reinforcement Learning
  • Konvexität und Nebenbedingungen als mathematischer Unterbau
  • Übungen zu jedem Kapitel

Warum die Reihenfolge zählt

Das Buch beginnt bei Inferenz, nicht bei Modellen. Das ist die Trennlinie zwischen ernsthafter und oberflächlicher ML-Finanzliteratur: Wer versteht, was ein Schätzer leistet und woran Frequentismus und Bayes unterschiedlich herangehen, liest jedes Modellergebnis anders.

Die Behandlung von Interpretierbarkeit und der Erklärungskraft neuronaler Netze ist der zweite Punkt, an dem sich das Buch abhebt. In der Finanzanwendung ist ein Modell, dessen Entscheidung niemand erklären kann, praktisch schwer einsetzbar — nicht aus Prinzipienreiterei, sondern weil man ohne Erklärung nicht erkennt, wann es außerhalb seines Gültigkeitsbereichs arbeitet. Siehe finanzmodell_grenzen.

Die Zeitreihenseite

Der Abschnitt zu autoregressiven Modellen, Hidden-Markov-Modellen und rekurrenten Netzen ist der für Marktdaten relevanteste. Hidden-Markov-Modelle sind dabei die formale Fassung dessen, was der Bestand als regime_change_risiko beschreibt: ein System, das zwischen nicht direkt beobachtbaren Zuständen wechselt und dessen Zustand nur aus den Beobachtungen geschätzt werden kann.

Bewertung

Für wen: Wer ML in der Finanzanwendung ernsthaft betreibt und die Grundlagen sauber haben will. Springer-Lehrbuch mit entsprechendem Anspruch — Wahrscheinlichkeitstheorie und lineare Algebra vorausgesetzt.

Stärken: Die Verankerung in Inferenz statt in Rezepten. Die Aufnahme von Interpretierbarkeit als eigenständiges Thema. Und die Zeitreihenkapitel, die dem Umstand Rechnung tragen, dass Finanzdaten nicht unabhängig und identisch verteilt sind — die Annahme, an der die meisten naiven ML-Anwendungen scheitern.

Schwächen: Anspruchsvoll bis zur Unzugänglichkeit ohne mathematische Vorbildung. Wenig Handelspraxis — Transaktionskosten, Kapazität und Umsetzung kommen kaum vor. Und wie bei jeder ML-Finanzliteratur bleibt die entscheidende Frage offen, ob die gefundenen Muster nach Korrektur für die Zahl der Versuche bestehen. Siehe data_mining_bias.