张庆全，美国伊利诺伊大学香槟分校Gies商学院金融学系助理实践教授，因其卓越的教学成就荣获商学院金融学系年度最佳教授奖，专注于金融科技、量化投资与大数据分析领域，毕业于芝加哥大学布斯商学院与哈佛商学院，在学术研究上具有深厚的造诣，拥有多项国内外专利，并积极推动金融领域的创新与实践。

本书汇聚了金融科技、机器学习与大数据分析的最新成果，全面探讨了另类数据在投资管理中的深度应用，不仅涵盖了从量化投资到风险管理的前沿趋势，还深入解析了机器学习、文本分析、智能贝塔和基于loT的风险因素等核心技术如何改变金融行业，并结合实际案例，帮助读者掌握创新性分析方法，提升投资决策与风险控制能力。本书三位作者在量化投资、大数据与数字经济等领域具有深厚的学术背景和实践经验，无论是刚入行的分析师，还是资深研究者，本书都为他们提供了切实可行的策略和前沿视野，是探索未来金融世界的重要指南。

第1章 定量投资组合管理和风险管理的简介
1.1 简介
1.2 投资组合管理的类型
1.3 经典的资产和衍生品
1.4 传统的和现代的方法
1.5 衡量投资组合回报的工具
1.6 投资组合中回报的差异
1.7 结论
参考文献
第2章 全球金融资产管理的主要发展趋势
2.1 全球资产管理现状
2.2 资产管理行业发展趋势
参考文献
第3章 机器学习和人工智能在金融投资组合管理中的应用
3.1 概述
3.2 机器学习应用分析
3.3 机器学习算法的比较
3.4 最佳参数的选择
3.5 机器学习在金融领域的应用
3.6 机器学习的问题分析
3.7 未来展望
第4章 金融领域的另类数据介绍
4.1 另类数据概述
4.2 另类数据来源
4.3 另类数据集的评估标准
4.4 另类数据集的使用
参考文献
第5章 从国家角度看另类数据的利用
5.1 美国
5.2 中国 9l
5.3 欧洲
5.4 亚洲(除中国外)
参考文献
第6章 基于文本数据和机器学习的智慧型投资策略和风险因子 ‘
6.1 导言
6.2 文本分析技术104.
6.3 自然语言处理
6.4 机器学习／深度学习(ML／DL)
6.5 根据文本数据集分析的金融因子
6.6 结束语
参考文献
第7章 基于物联网的智能测试版和风险因素
7.1 简介
7.2 一种基于103、和AIoT的风险评估模型 。
7.3 IoT和AIoT在金融领域中的应用
参考文献
第8章 环境、社会和公司治理(ESG)因素。
8.1 环境、社会和公司治理(WSG)介绍
8.2 投资者眼中的ESG
8.3 ESG对公司风险的影响
8.4 ESG对公司业绩和价值的影响
8.5 ESG是风险因素吗?
8.6 数字经济与环境、社会和公司治理
参考文献
第9章 金融中的情绪因素
9.1 什么是情绪因素?
9.2 投资者情绪与行为金融
9.3 情绪对市场的影响
9.4 情感因子构建和情感分析
参考文献
第10章 反欺诈和欺骗识别案例研究：基于文本的数据分析
10.1 盗版检测
10.2 虚假评价
参考文献
第11章 交易中的机器学习技术——以欧元兑美元市场为例
11.1 外汇市场简介
11.2 外汇市场的特点
11.3 欧元对美元汇率(EURIJSD)
11.4 影响汇率的基本因素
11.5 数据和交易策略概述
11.6 监督的机器学习技术
11.7 交易策略
11.8 结论
参考文献
第1 2章 基于ESG因素的特殊目的收购公司(SPAC)分析
12.1 SPAC简介
12.2 SPAC的收入
12.3 创始人因素对SPAc收入的影响分析
12.4 结论
参考文献
第13章 ESG对公司基本面的影响：基于医疗行业的研究
13.1 引言
13.2 数据和方法
13.3 经验模型和结果
13.4 ESG因素投资策略
13.5 结论
附录
附录A：在研究中使用的公司名单
附录B：分位数保险公司每季度的ESG得分
附录C：战略与控制组结果
附录D：战略与控制组累计回报
附录E：分位数回报
附录F：三组累计回报
参考文献
第14章 数据可视化
14.1 数据可视化基础
14.2 Python数据可视化工具
14.3 数据分布图
14.4 金融数据案例分析
14.5 总结
参考文献
第15章 通过AWS Lambda的Python函数与MongoDB数据库交互
15.1 MongoDB
15.2 Python
15.3 AWS
参考文献
译者后记