金融智能

目錄

第1章 金融智能的基本原理 / 1

章前導讀 / 1

本章學習目標 / 1

1.1 人工智能概述與歷史 / 1

1.1.1 人工智能概述 / 1

1.1.2 人工智能發展歷史 / 3

1.2 金融智能概述與場景 / 3

1.2.1 金融智能概述 / 3

1.2.2 金融智能的常見場景 / 4

1.2.3 金融智能中的常用技術 / 7

1.3 金融智能實踐與方向 / 8

1.3.1 金融智能發展現狀 / 8

1.3.2 金融智能遇到的挑戰 / 9

1.3.3 金融智能發展的方向 / 10

1.4 Python基礎知識 / 10

1.4.1 Python 安裝 / 11

1.4.2 Python常用數據類型、條件、循環與函數 / 12

1.5 機器學習模型評估 / 17

1.5.1 過擬合與欠擬合 / 17

1.5.2 偏差和方差的權衡 / 18

1.5.3 回歸問題機器學習模型的評價指標 / 21

1.5.4 機器學習的超參數調校 / 22

1.6 本章小結 / 28

關鍵名詞 / 28

復習思考題 / 28

第2章 金融學基本原理 / 29

章前導讀 / 29

本章學習目標 / 29

2.1 金融市場 / 29

2.1.1 金融市場的概念與功能 / 29

2.1.2 金融市場分類 / 30

2.2 實證資產定價 / 31

2.2.1 資產定價的核心問題—股票預期收益率 / 31

2.2.2 投資組合分析  / 33

2.2.3 因子投資  / 38

2.2.4 中國因子模型 / 40

2.3 本章小結 / 43

關鍵名詞 / 44

復習思考題 / 44

第3章 金融智能中的線性方法 / 45

章前導讀 / 45

本章學習目標 / 45

3.1 線性分析方法概述 / 45

3.1.1 計量經濟學視角下的線性模型 / 45

3.1.2 矩陣視角下的線性模型 / 47

3.1.3 損失函數 / 48

3.2 邏輯回歸的算法 / 48

3.2.1 分類問題 / 48

3.2.2 邏輯回歸 / 49

3.3 異象性因子的檢驗 / 50

3.3.1 異象性因子 / 50

3.3.2 異象性因子的時序回歸統計檢驗 / 50

3.3.3 股票特征與未來收益率的檢驗：Fama-MacBeth截面回歸 / 52

3.4 本章小結 / 56

關鍵名詞 / 56

復習思考題 / 56

第4章 帶懲罰項的線性方法 / 57

章前導讀 / 57

本章學習目標 / 57

4.1 帶懲罰項的線性方法簡介 / 57

4.2 嶺回歸 / 58

4.3 LASSO / 59

4.4 彈性網絡回歸 / 60

4.5 案例分析：利用LASSO進行高頻交易 / 60

4.6 實戰：蒙特卡洛模擬 / 63

4.7 本章小結 / 71

關鍵名詞 / 71

復習思考題 / 71

第5章 金融智能中的降維方法 / 72

章前導讀 / 72

本章學習目標 / 72

5.1 降維分析方法概述 / 72

5.2 主成分分析算法 / 73

5.2.1 PCA原理 / 73

5.2.2 PCA算法 / 73

5.2.3 PCA代碼 / 73

5.3 偏最小二乘算法 / 73

5.3.1 PLS原理 / 73

5.3.2 PLS算法 / 74

5.3.3 PLS代碼 / 74

5.4 IPCA算法 / 74

5.4.1 IPCA模型原理 / 74

5.4.2 約束下的IPCA模型 / 76

5.4.3 無約束下的IPCA模型 / 76

5.4.4 IPCA模型的拓展 / 77

5.5 案例分析：投資者情緒度量 / 79

5.5.1 投資者情緒 / 79

5.5.2 基於PCA方法的指數構建 / 80

5.6 實戰代碼及解析 / 81

5.6.1 代碼 / 82

5.6.2 基於PLS方法的改進指數構建  / 83

5.7 本章小結 / 86

關鍵名詞 / 86

復習思考題 / 86

第6章 聚類分析及其在金融中的應用 / 87

章前導讀 / 87

本章學習目標 / 87

6.1 聚類分析概述 / 87

6.1.1 聚類分析的概念 / 88

6.1.2 聚類的過程 / 88

6.1.3 聚類算法的要求 / 89

6.1.4 聚類算法的距離計算 / 89

6.2 K均值聚類算法 / 90

6.2.1 K均值聚類算法概念 / 90

6.2.2 K均值聚類算法代碼 / 92

6.3 層次聚類算法 / 93

6.3.1 層次聚類算法概念 / 93

6.3.2 層次聚類算法代碼 / 94

6.4 基於密度的聚類算法 / 95

6.4.1 DBSCAN 算法概念 / 96

6.4.2 DBSCAN 算法代碼 / 97

6.5 聚類分析在金融客戶細分中的應用 / 99

6.6 本章小結 / 100

關鍵名詞 / 101

復習思考題 / 101

第7章 金融智能中的樹類方法 / 102

章前導讀 / 102

本章學習目標 / 102

7.1 樹類分析方法概述及其運用場景 / 102

7.2 回歸樹 / 103

7.2.1 回歸樹原理 / 103

7.2.2 回歸樹算法 / 104

7.2.3 回歸樹代碼 / 105

7.3 集成學習以及隨機森林算法 / 106

7.3.1 集成學習以及隨機森林原理 / 106

7.3.2 隨機森林算法 / 106

7.3.3 隨機森林代碼介紹 / 106

7.4 梯度提升回歸樹算法 / 108

7.4.1 梯度提升回歸樹原理 / 108

7.4.2 梯度提升回歸樹算法 / 108

7.4.3 梯度提升回歸樹代碼 / 109

7.5 本章小結 / 110

關鍵名詞 / 111

復習思考題 / 111

第8章 金融智能中的全連接神經網絡模型 / 112

章前導讀 / 112

本章學習目標 / 112

8.1 人工神經網絡方法概述 / 112

8.2 激活函數 / 113

8.2.1 ReLU激活函數 / 113

8.2.2 sigmoid激活函數 / 114

8.2.3 tanh激活函數 / 114

8.3 優化算法 / 114

8.3.1 梯度下降 / 114

8.3.2 小批量隨機梯度下降 / 115

8.3.3 動量法 / 115

8.3.4 AdaGrad算法 / 115

8.3.5 RMSProp算法 / 116

8.3.6 Adam算法 / 117

8.4 模型訓練 / 118

8.4.1 權重懲罰 / 118

8.4.2 丟棄法 / 118

8.4.3 早停法 / 119

8.4.4 批歸一法 / 120

8.5 全連接神經網絡代碼介紹 / 120

8.6 案例分析：基於公司特征的全連接神經網絡選股模型 / 121

8.7 實戰代碼解析：蒙特卡洛模擬 / 123

8.8 本章小結 / 128

關鍵名詞 / 128

復習思考題 / 128

第9章 金融智能中的自編碼器模型 / 129

章前導讀 / 129

本章學習目標 / 129

9.1 AE方法概述 / 129

9.2 AE代碼 / 131

9.3 條件AE與金融中的因子定價模型 / 132

9.4 條件AE代碼 / 134

9.5 蒙特卡洛模擬 / 136

9.6 本章小結 / 139

關鍵名詞 / 139

復習思考題 / 139

第10章 金融智能中的卷積神經網絡模型 / 141

章前導讀 / 141

本章學習目標 / 141

10.1 CNN方法概述 / 141

10.2 CNN算法 / 142

10.2.1 卷積層 / 143

10.2.2 池化層 / 145

10.3 CNN代碼 / 146

10.4 案例：K線圖識別與股票收益率預測 / 147

10.5 本章小結 / 154

關鍵名詞 / 154

復習思考題 / 154

第11章 金融智能中的循環神經網絡模型 / 155

章前導讀 / 155

本章學習目標 / 155

11.1 RNN模型基礎 / 155

11.1.1 RNN模型概述 / 155

11.1.2 RNN的核心原理 / 157

11.1.3 RNN與其他神經網絡的比較 / 158

11.2 RNN模型變體和訓練 / 160

11.2.1 RNN模型在Python中的實現 / 160

11.2.2 RNN訓練過程與參數調優 / 164

11.3 RNN在金融智能中的應用 / 166

案例　RNN模型與有效市場假說 / 166

11.4 本章小結 / 169

關鍵名詞 / 169

復習思考題 / 169

第12章 金融智能中的生成式對抗網絡模型 / 170

章前導讀 / 170

本章學習目標 / 170

12.1 GAN模型基礎 / 170

12.1.1 GAN模型概述 / 170

12.1.2 GAN的核心組成 / 172

12.2 GAN模型的訓練與優化 / 174

12.2.1 GAN模型在Python中的實現 / 174

12.2.2 GAN的參數調優與穩定性問題 / 178

12.3 GAN在金融智能中的應用 / 180

案例 GAN與SDF估計 / 180

參考文獻 / 181

12.4 本章小結 / 181

關鍵名詞 / 181

復習思考題 / 182

第13章 金融智能中的自然語言處理方法 / 183

章前導讀 / 183

本章學習目標 / 183

13.1 文本分析方法概述及其運用場景 / 183

13.1.1 文本分析概述 / 184

13.1.2 文本分析的應用場景 / 185

13.1.3 文本數據處理一般流程 / 187

13.2 語素與分詞 / 189

13.2.1 語素 / 189

13.2.2 分詞 / 190

13.2.3 分詞代碼 / 191

13.3 詞袋模型與詞向量模型 / 192

13.3.1 詞袋模型 / 192

13.3.2 詞向量模型 / 193

13.3.3 詞向量模型代碼 / 196

13.4 TF-IDF算法 / 197

13.4.1 關鍵詞提取概述 / 197

13.4.2 TF-IDF算法 / 199

13.4.3 TF-IDF算法代碼 / 200

13.5 主題模型 / 201

13.5.1 主題模型概述 / 201

13.5.2 LDA算法 / 202

13.5.3 LDA代碼 / 204

13.6 本章小結 / 205

關鍵名詞 / 205

復習思考題 / 206

第14章 金融智能中的強化學習算法 / 207

章前導讀 / 207

本章學習目標 / 207

14.1 強化學習算法基礎 / 207

14.1.1 強化學習概述 / 207

14.1.2 強化學習的核心組件 / 208

14.1.3 強化學習與其他學習方法的對比 / 210

14.2 強化學習算法及其訓練 / 212

14.2.1 主要強化學習算法 / 212

14.2.2 基於Python實現的案例 / 213

14.3 強化學習的應用 / 216

案例　強化學習在金融智能中的應用 / 216

參考文獻 / 217

14.4 本章小結 / 217

關鍵名詞 / 218

復習思考題 / 218

第15章 金融智能中的區塊鏈方法 / 219

章前導讀 / 219

本章學習目標 / 219

15.1 區塊鏈技術概述及其運用場景 / 219

15.1.1 區塊鏈技術發展歷史 / 219

15.1.2 區塊鏈分類 / 220

15.1.3 區塊鏈技術應用場景 / 221

15.2 區塊鏈技術的加密算法和共識機制 / 222

15.2.1 常見的加密算法 / 222

15.2.2 常見的共識機制 / 224

15.2.3 共識機制背後的經濟學 / 225

15.2.4 基於Python生成比特幣公鑰和私鑰 / 227

15.3 區塊鏈技術與智能合約技術 / 228

15.3.1 智能合約技術 / 228

15.3.2 智能合約與數字人民幣 / 229

15.4 區塊鏈在金融場景中的應用 / 231

案例　以太坊公有鏈上的穩定幣DAI / 231

15.5 本章小結 / 232

關鍵名詞 / 232

復習思考題 / 232

第16章 金融智能在業界的應用  / 233

章前導讀 / 233

本章學習目標 / 233

16.1 金融智能在業界應用概述 / 234

16.2 機器學習預測資產價格 / 236

16.2.1 機器學習預測資產價格的原理 / 236

16.2.2 機器學習預測資產價格在美國股票市場上的實踐 / 238

16.2.3 機器學習預測資產價格在中國股票市場上的實踐 / 239

16.3 文本分析預測資產價格 / 241

16.4 文本分析在綠色金融領域的應用 / 243

16.5 本章小結 / 245

關鍵名詞 / 245

復習思考題 / 245

第17章 金融科技監管與監管科技 / 246

章前導讀 / 246

本章學習目標 / 246

17.1 金融科技監管和監管科技概述 / 246

17.2 金融科技各領域監管案例 / 247

17.3 監管科技 / 256

17.4 本章小結 / 261

關鍵名詞 / 261

復習思考題 / 261