现代金融业被要求在有限的市场数据下处理各种资产类别的庞大而多样的投资组合。金融信号处理和机器学习结合了信号处理和机器学习的一些最新进展，用于投资组合和金融工程的设计和管理。这本书弥合了这些学科之间的差距，提供了关键主题的最新信息，包括在高维中描述统计依赖关系和相关性，构建有效和稳健的风险措施，以及它们在投资组合优化和再平衡中的使用。本书着重于模型回报、动量和均值回归的信号处理方法，解决理论和实现方面的问题。它强调了投资组合理论、稀疏学习和压缩感知、稀疏特征投资组合、鲁棒优化、非高斯数据驱动的风险度量、图形模型、通过时间-因果建模的因果分析和大规模基于copula方法之间的联系。
主要特点: 强调信号处理和机器学习是量化金融的关键方法。 为高维投资组合的构建、监控和交易后分析问题提供先进的数学工具。 介绍投资组合理论、稀疏学习和压缩感知，投资组合的稀疏性方法。包括特征组合、模型回报、动量、均值回归和非高斯数据驱动的风险度量，以及这些技术在现实世界中的应用。 包括来自信号和信息处理社区以及量化金融社区的主要研究人员和从业人员的贡献。