Python人工智能金融實操

斯文，男，浙江湖州人，博士，註冊會計師（CPA）、特許金融分析師（CFA）、金融風險管理師（FRM），目前在一家科技公司擔任人工智能與大數據風控專家，負責將人工智能在金融場景下的落地運用。擁有在商業銀行、證券公司、信托公司、金融控股集團以及交易所等機構近20年的金融從業經歷。

目錄

第1部分基礎篇

第1章Python的金融實戰編程基礎

1.1Python簡介

1.1.1Python是什麼

1.1.2Python的優勢與劣勢

1.1.3Python的版本選擇與環境部署

1.1.4Spyder的操作界面

1.2Python的變量賦值與數據類型

1.2.1變量賦值

1.2.2針對數字的數據類型

1.2.3針對文本的數據類型

1.2.4針對是與否的數據類型

1.3Python的數據結構

1.3.1數據結構概述

1.3.2數據結構的創建

1.4Python的運算

1.4.1基本算術運算

1.4.2關系運算

1.4.3高級賦值運算

1.4.4成員運算

1.5Python的內置函數

1.6自定義函數

1.6.1運用def

1.6.2運用lambda函數

1.7Python的類

1.7.1無參數的類對象的創建與實例化

1.7.2帶參數的類對象的創建與實例化

1.7.3類對象的繼承機制

1.8Python的語句

1.8.1條件語句

1.8.2循環語句

1.8.3其他語句

1.8.4不同語句的結合

1.9本章小結

第2章Python常用模塊的金融實戰編程

2.1datetime模塊

2.1.1模塊導入

2.1.2時間對象的創建

2.1.3時間對象的屬性

2.1.4時間間隔的計算

2.2math模塊

2.3Tushare模塊

2.3.1用戶註冊與模塊安裝

2.3.2調取股票數據的編程

2.4NumPy模塊

2.4.1高效創建特殊數組

2.4.2數組內元素的運算

2.4.3數組間的運算

2.4.4矩陣運算

2.4.5隨機抽樣

2.5pandas模塊

2.5.1數據可視化

2.5.2數據的提取與排序

2.5.3統計分析

2.6matplotlib模塊

2.6.1常用的函數及參數

2.6.2折線圖的實現

2.6.3散點圖的實現

2.6.4直方圖的實現

2.7本章小結

第2部分算法篇

第3章機器學習scikitlearn金融實戰編程入門

3.1機器學習概覽

3.1.1機器學習的基本內涵

3.1.2監督學習與無監督學習

3.1.3scikitlearn模塊的部署

3.2聚類分析法

3.2.1K均值算法

3.2.2相關的類

3.2.3實戰運用

3.3主成分分析法

3.3.1運算的邏輯

3.3.2相關的類

3.3.3實戰運用

3.4K近鄰算法

3.4.1算法的基本邏輯

3.4.2距離的測度

3.4.3相關的類

3.4.4實戰運用

3.5決策樹用於分類

3.5.1決策樹的圖形結構

3.5.2數學表達式

3.5.3不純度函數

3.5.4相關的模塊、類與函數

3.5.5實戰運用

3.6決策樹用於回歸

3.6.1不純度函數

3.6.2相關的類

3.6.3實戰運用

3.7本章小結

第4章機器學習scikitlearn金融實戰編程進階

4.1支持向量機

4.1.1超平面與支持向量

4.1.2非線性與核技巧

4.1.3支持向量機運用於分類的相關類

4.1.4支持向量機運用於回歸的相關類

4.2集成學習之裝袋算法

4.2.1集成學習簡介

4.2.2裝袋算法簡介

4.2.3用於分類運算的類與實戰運用

4.2.4用於回歸建模的類與實戰運用

4.3集成學習之隨機森林算法

4.3.1隨機森林簡介

4.3.2用於分類運算的類與實戰運用

4.3.3用於回歸建模的類與實戰運用

4.4集成學習之自適應提升算法

4.4.1數學表達式

4.4.2一個抽象示例

4.4.3用於分類運算的類與實戰運用

4.4.4用於回歸運算的類與實戰運用

4.5本章小結

第5章深度學習PyTorch金融實戰編程

5.1PyTorch模塊的環境部署

5.1.1深度學習編程框架

5.1.2無英偉達GPU的部署

5.1.3有英偉達GPU的部署

5.2針對張量的編程

5.2.1張量的創建與轉換

5.2.2張量的訪問與形狀變化

5.2.3張量的運算

5.2.4張量的求導

5.3神經網絡的基本組件

5.3.1神經元的介紹

5.3.2常用的激活函數

5.4神經網絡的底層算法與線性模型構建

5.4.1向前傳播與向後傳播

5.4.2建模的具體步驟

5.4.3資本資產定價模型的編程示例

5.5全連接神經網絡

5.5.1運作機制

5.5.2常用的類

5.5.3編程演示

5.6循環神經網絡

5.6.1運作機理

5.6.2常用的類

5.6.3編程演示

5.7本章小結

第6章強化學習Gymnasium金融實戰編程

6.1強化學習入門

6.1.1基本要素

6.1.2交互循環

6.1.3馬爾可夫決策過程

6.1.4貝爾曼方程

6.1.5貝爾曼最優方程

6.2強化學習的編程框架——Gymnasium

6.2.1Gymnasium模塊的部署

6.2.2創建金融環境的步驟

6.3創建股票投資的強化學習環境

6.3.1環境的描述

6.3.2環境的創建過程

6.3.3環境的測試過程

6.3.4環境的學習過程

6.4Q學習

6.4.1數理邏輯

6.4.2ε貪婪算法

6.4.3抽象的運用

6.4.4實戰的運用

6.5深度Q網絡

6.5.1數理邏輯

6.5.2自定義的類與函數

6.5.3實戰的運用

6.6本章小結

第3部分大 模 型 篇

第7章大模型入門與金融文本生成的實戰編程

7.1大模型簡介

7.1.1什麼是大模型

7.1.2全球高性能的大模型

7.1.3開源與閉源

7.2Transformer架構的總覽與輸入

7.2.1提出的背景

7.2.2特征與整體結構

7.2.3嵌入矩陣

7.2.4位置編碼

7.3Transformer架構的編碼器

7.3.1自註意力機制

7.3.2多頭註意力機制

7.3.3前饋神經網絡

7.3.4相加與歸一化

7.4Transformer架構的解碼器與輸出

7.4.1編碼器與解碼器之間的相同點

7.4.2下一詞預測

7.4.3掩碼多頭註意力機制

7.4.4線性層與softmax層

7.5大模型的部署

7.5.1本地部署開源模型

7.5.2API調用閉源模型

7.6文本的情感分析

7.6.1情感分析及金融應用的場景

7.6.2文檔轉字符串的模塊

7.6.3美聯儲議息會議聲明的示例

7.7基於檢索增強生成的知識庫問答

7.7.1檢索增強生成的相關介紹

7.7.2向量數據庫Chroma

7.7.3搭建金融法律知識庫與智能問答

7.8本章小結

第8章大模型驅動的債券與股票實戰編程

8.1大模型函數調用的介紹

8.1.1含義與功能

8.1.2編程邏輯

8.1.3編程示例

8.2債券定價的函數調用

8.2.1債券要素

8.2.2債券定價表達式

8.2.3編程示例

8.3測算債券久期的函數調用

8.3.1麥考利久期

8.3.2修正久期

8.3.3美元久期

8.3.4綜合編程示例

8.4股票估值的函數調用

8.4.1絕對估值法及編程運用

8.4.2相對估值法及編程運用

8.5股票收益分析的函數調用

8.5.1常用的收益率指標

8.5.2編程示例

8.6本章小結

第9章動手高效全棧開發金融大模型

9.1通過Streamlit開發登錄頁面

9.1.1Streamlit簡介

9.1.2開發登錄頁面的常用組件

9.1.3綜合編程示例

9.2通過Streamlit開發對話頁面

9.2.1頁面的側邊欄

9.2.2頁面的問答功能

9.2.3與大模型的API連接

9.3雲服務器上部署代碼

9.3.1雲服務器簡介

9.3.2雲服務器的套餐選擇

9.3.3操作系統

9.3.4代碼部署

9.3.5代碼運行

9.4互聯網域名

9.4.1域名簡介

9.4.2域名註冊

9.4.3ICP備案

9.4.4域名解析

9.4.5公安備案

9.5本章小結

參考文獻