这本书是一个真实世界案例的集合，说明了如何处理具有挑战性和波动的金融时间序列数据，以更好地理解他们的过去行为和对他们的未来运动的可靠预测。它演示了如何应用统计学、计量经济学、机器学习和深度学习的概念和技术来构建稳健的预测模型，以及如何使用这些模型来构建有利可图的投资组合。这里使用的所有概念和方法都是在TensorFlow和Keras框架上使用R和Python语言实现的。这本书对金融，经济学，计量经济学，统计学，数据科学，计算机科学，和信息技术的高级研究生和博士生更有用。包括金融服务、银行和保险在内的金融部门见证了机器学习、深度学习和人工智能的最大应用和用例。虽然金融机构只浏览了快速发展领域的表面，如深度神经网络和强化学习，但在金融和计量经济学的许多应用中应用这些技术的可能性仍有待探索。
本卷的章节介绍了使用统计学、计量经济学、机器学习和深度学习方法进行金融时间序列分析和预测的几种技术。利用在印度国家证券交易所(NSE)和孟买证券交易所(BSE)上市的各个行业和重要股票的日、月指数值的历史数据，建立预测模型，然后用来预测指数的未来值及其运动规律。金融部门的时间序列分解结果为读者提供了对不同部门的行为特征的几个有用的见解。对行业行为模式的深入了解，将使投资者做出更有效的投资决策，获得更高的利润。本章讨论的统计和计量建模方法包括指数平滑方法、Holt和Winter趋势和季节性方法、自回归(AR)和移动平均(MA)方法、自回归综合移动平均(ARIMA)方法、格兰杰因果分析、单变量线性回归、多元线性回归和多元自适应回归样条曲线(MARS)。基于机器学习的预测模型包括几种分类和回归方法，包括逻辑回归、k近邻、决策树、bagging、自适应增强、极端梯度增强、随机森林、支持向量机和人工神经网络。在深度学习方面，介绍了卷积神经网络(CNN)和长短期记忆(LSTM)网络体系结构在金融时间序列数据预测模型设计中的应用。文本挖掘和自然语言处理(NLP)在建立精确的金融模型的使用也在卷的一个章节中提出。