本書結(jié)合具體實例循序漸進地講解了金融大模型開發(fā)的核心知識。
全書共12章,分別講解了大模型基礎(chǔ)、大模型開發(fā)技術(shù)棧、數(shù)據(jù)預(yù)處理與特征工程、金融時間序列分析、金融風(fēng)險建模與管理、高頻交易與算法交易、信用風(fēng)險評估、資產(chǎn)定價與交易策略優(yōu)化、金融市場情緒分析、銀行應(yīng)用大模型開發(fā)實戰(zhàn)、區(qū)塊鏈與金融科技創(chuàng)新和未來金融智能化發(fā)展趨勢。本書內(nèi)容豐富全面,是學(xué)習(xí)金融大模型開發(fā)的優(yōu)秀教程。
本書既適合已經(jīng)掌握Python基礎(chǔ)開發(fā)的初學(xué)者學(xué)習(xí)使用,也適合想進一步學(xué)習(xí)大模型開發(fā)、模型優(yōu)化、模型應(yīng)用和模型架構(gòu)的讀者閱讀。本書不僅可以作為證券、保險、銀行等行業(yè)從業(yè)者的參考書,還可以作為大專院校和培訓(xùn)學(xué)校的專業(yè)性教材。
1.系統(tǒng)性與實踐性并重:覆蓋金融大模型開發(fā)全流程,從理論到實踐,即學(xué)即用。
2.深入金融領(lǐng)域核心:專注于金融大模型的開發(fā)與應(yīng)用,涵蓋金融時間序列分析、風(fēng)險建模與管理、高頻交易與算法交易、信用風(fēng)險評估、資產(chǎn)定價等關(guān)鍵領(lǐng)域,幫助讀者深入理解金融數(shù)據(jù)背后的邏輯與規(guī)律。
3.技術(shù)前沿與趨勢引領(lǐng):不僅介紹當前主流的金融大模型開發(fā)技術(shù)棧,還探討了區(qū)塊鏈與金融科技創(chuàng)新、未來金融智能化發(fā)展趨勢等前沿話題,使讀者能夠緊跟行業(yè)步伐,把握未來發(fā)展方向。
為什么寫這本書?
在當今數(shù)字化和信息化的時代,金融行業(yè)正迅速演變?yōu)橐粋高度智能化和數(shù)據(jù)驅(qū)動的領(lǐng)域。金融機構(gòu)、投資者和分析師需要依賴先進的技術(shù)和工具來處理龐大的金融數(shù)據(jù)、進行預(yù)測和決策,以獲取競爭優(yōu)勢。因此,市場對金融領(lǐng)域的技術(shù)專業(yè)人士和從業(yè)者的需求不斷增長,尤其是那些具備大模型開發(fā)和應(yīng)用經(jīng)驗的人才。
本書填補了金融領(lǐng)域大模型開發(fā)的知識空白,是一本全面的指南。讀者通過閱讀本書,將掌握數(shù)據(jù)預(yù)處理、特征工程、時間序列分析、風(fēng)險建模、高頻交易、金融市場情緒分析和區(qū)塊鏈等領(lǐng)域的關(guān)鍵技能。這些技能對金融從業(yè)者來說至關(guān)重要,能夠提高他們的決策能力和風(fēng)險管理能力。此外,隨著金融科技的快速發(fā)展和區(qū)塊鏈技術(shù)的興起,金融領(lǐng)域?qū)θ斯ぶ悄芎痛竽P偷男枨髮⑦M一步增加。
本書提供了有關(guān)這些前沿領(lǐng)域的深入見解,為金融專業(yè)人士提供了寶貴的學(xué)習(xí)資源,有助于他們在競爭激烈的金融市場中脫穎而出。
?本書的讀者對象
● 數(shù)據(jù)科學(xué)家和分析師
● 金融專業(yè)人士
● 企業(yè)決策者和管理者
● 從事人工智能研究的研究人員和學(xué)生
陳強
----------------------------
陳強,中國海洋大學(xué)計算機博士,資深軟件開發(fā)工程師和架構(gòu)師,現(xiàn)在就職于牛津大學(xué)(蘇州)科技有限公司研發(fā)中心,從事于量化金融、衍生品(期貨期權(quán))交易策略、金融建模和金融數(shù)據(jù)分析的架構(gòu)和開發(fā)工作。曾經(jīng)在谷歌市場中發(fā)布過多款著名的應(yīng)用等軟件,這些應(yīng)用軟件在谷歌市場上取得了驕人的銷售戰(zhàn)績。另外,還精通C#、Java、C 和C語言等主流編程語言,在國內(nèi)主流期刊中發(fā)表過多篇計算機通信領(lǐng)域的著名論文。
目錄
第1章 大模型基礎(chǔ)
1.1人工智能
1.1.1人工智能的發(fā)展歷程
1.1.2人工智能的研究領(lǐng)域
1.1.3人工智能對人們生活的影響
1.2機器學(xué)習(xí)和深度學(xué)習(xí)
1.2.1機器學(xué)習(xí)
1.2.2深度學(xué)習(xí)
1.2.3機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別
1.3大模型介紹
1.3.1大模型的作用
1.3.2數(shù)據(jù)
1.3.3數(shù)據(jù)和大模型的關(guān)系
1.4人工智能與金融行業(yè)交融
1.4.1人工智能驅(qū)動的金融創(chuàng)新
1.4.2大模型在金融行業(yè)中的應(yīng)用
第2章 大模型開發(fā)技術(shù)棧
2.1深度學(xué)習(xí)框架
2.1.1TensorFlow
2.1.2PyTorch
2.2數(shù)據(jù)預(yù)處理與處理工具
2.2.1Pandas
2.2.2NumPy
2.3模型部署與推理
2.3.1Docker和Kubernetes
2.3.2部署平臺
2.4其他技術(shù)
2.4.1模型訓(xùn)練和調(diào)優(yōu)
2.4.2模型架構(gòu)和設(shè)計
2.4.3加速、優(yōu)化和安全性
第3章 數(shù)據(jù)預(yù)處理與特征工程
3.1數(shù)據(jù)清洗與處理
3.1.1數(shù)據(jù)質(zhì)量檢查與缺失值處理
3.1.2異常值檢測與處理
3.1.3數(shù)據(jù)重復(fù)性處理
3.2特征選擇與特征提取
3.2.1特征選擇方法
3.2.2特征提取技術(shù)
3.3數(shù)據(jù)標準化與歸一化
3.3.1標準化與歸一化的概念
3.3.2金融模型中的標準化與歸一化例子
第4章 金融時間序列分析
4.1時間序列的基本概念
4.1.1什么是時間序列數(shù)據(jù)
4.1.2時間序列數(shù)據(jù)的特點
4.1.3時間序列分析在金融領(lǐng)域的應(yīng)用
4.2常用的時間序列分析方法
4.2.1移動平均法
4.2.2自回歸模型
4.2.3自回歸移動平均模型
4.2.4季節(jié)性自回歸集成移動平均模型
4.2.5ARCH 和 GARCH 模型
4.2.6向量自回歸模型
4.2.7協(xié)整分析
4.2.8機器學(xué)習(xí)方法
第5章 金融風(fēng)險建模與管理
5.1金融風(fēng)險的概念與分類
5.1.1金融風(fēng)險的基本概念
5.1.2金融風(fēng)險的分類
5.2基于人工智能的金融風(fēng)險建模方法
5.2.1傳統(tǒng)風(fēng)險建模方法回顧
5.2.2機器學(xué)習(xí)在金融風(fēng)險建模中的應(yīng)用
5.2.3數(shù)據(jù)驅(qū)動的風(fēng)險建模
5.3制作貴州茅臺的ARCH模型
5.3.1準備數(shù)據(jù)
5.3.2制作波動模型
5.3.3加入特征數(shù)據(jù):市場指數(shù)
5.3.4制作股價預(yù)測模型
5.4信貸投資組合風(fēng)險評估模擬程序
5.4.1實例介紹
5.4.2設(shè)置信貸投資組合參數(shù)和可視化
5.4.3定義風(fēng)險度量和計算風(fēng)險貢獻
5.4.4損失分布估計和可視化
第6章 高頻交易與算法交易
6.1高頻交易
6.1.1高頻交易的特點
6.1.2高頻交易的挑戰(zhàn)與風(fēng)險
6.1.3傳統(tǒng)高頻交易策略回顧
6.1.4機器學(xué)習(xí)在高頻交易中的應(yīng)用
6.1.5高頻交易中的預(yù)測建模
6.1.6量化交易框架
6.2算法交易
6.2.1算法交易策略的特點和優(yōu)勢
6.2.2算法交易和量化交易的區(qū)別
6.2.3制作算法交易模型
6.3量化選股程序
6.3.1Tushare令牌初始化
6.3.2輔助函數(shù)
6.3.3保存結(jié)果
6.3.4股票詳情
6.3.5選股策略
6.3.6主程序
第7章 信用風(fēng)險評估
7.1信用風(fēng)險的概念與評估方法
7.1.1信用風(fēng)險的基本概念
7.1.2信用評估方法
7.2人工智能在信用風(fēng)險評估中的應(yīng)用
7.2.1傳統(tǒng)信用評估方法的局限性
7.2.2機器學(xué)習(xí)與信用風(fēng)險評估
7.2.3風(fēng)險模型的解釋性與可解釋性
7.3金融風(fēng)險管理實戰(zhàn):制作信貸風(fēng)控模型
7.3.1讀取數(shù)據(jù)集數(shù)據(jù)
7.3.2探索性數(shù)據(jù)分析
7.3.3編碼分類變量
7.3.4數(shù)據(jù)分析
7.3.5相關(guān)性分析
7.3.6外部數(shù)據(jù)源
7.3.7繪制成對圖
7.3.8特征工程
7.3.9創(chuàng)建基線模型
7.3.10優(yōu)化模型
7.3.11制作LightGBM模型
第8章 資產(chǎn)定價與交易策略優(yōu)化
8.1資產(chǎn)定價模型概述
8.1.1常見的資產(chǎn)定價模型
8.1.2金融市場的非理性行為
8.2基于人工智能的資產(chǎn)定價方法
8.2.1傳統(tǒng)資產(chǎn)定價模型的局限性
8.2.2機器學(xué)習(xí)與資產(chǎn)定價
8.3交易策略優(yōu)化
8.3.1交易策略的基本概念
8.3.2基于人工智能的交易策略優(yōu)化
8.4股票交易策略實戰(zhàn):制作股票交易策略模型
8.4.1準備環(huán)境
8.4.2準備數(shù)據(jù)
8.4.3下載、清理和預(yù)處理股票數(shù)據(jù)
8.4.4添加技術(shù)指標
8.4.5拆分數(shù)據(jù)集
8.4.6準備訓(xùn)練模型環(huán)境
8.4.7訓(xùn)練DDPG模型
8.4.8訓(xùn)練A2C模型
8.4.9測試模型
8.4.10保存交易決策數(shù)據(jù)
8.4.11對交易策略進行模擬測試
第9章 金融市場情緒分析
9.1情緒分析的概念與方法
9.1.1情緒分析的基本概念
9.1.2金融市場情緒的重要性
9.1.3情緒分析的方法
9.2基于人工智能的金融市場情緒分析
9.2.1傳統(tǒng)情緒分析方法的局限性
9.2.2機器學(xué)習(xí)與情緒分析
9.3預(yù)訓(xùn)練模型:BERT
9.3.1BERT模型介紹
9.3.2情感關(guān)鍵字
9.3.3模型微調(diào)
9.4預(yù)訓(xùn)練模型:FinBERT
9.4.1FinBERT模型介紹
9.4.2基于FinBERT模型的市場情感分析系統(tǒng)
第10章 銀行應(yīng)用大模型開發(fā)實戰(zhàn)
10.1銀行應(yīng)用大模型基礎(chǔ)
10.1.1銀行應(yīng)用大模型概述
10.1.2大模型在銀行業(yè)的重要性
10.2貸款預(yù)測模型
10.2.1項目背景
10.2.2數(shù)據(jù)集介紹
10.2.3數(shù)據(jù)探索
10.2.4數(shù)據(jù)預(yù)處理
10.2.5制作模型
10.2.6比較模型
10.3銀行消費者投訴處理模型
10.3.1背景介紹
10.3.2數(shù)據(jù)集預(yù)處理
10.3.3目標特征的分布
10.3.4探索性數(shù)據(jù)分析
10.3.5制作模型
第11章 區(qū)塊鏈與金融科技創(chuàng)新
11.1區(qū)塊鏈技術(shù)的概念與原理
11.1.1區(qū)塊鏈產(chǎn)生的背景
11.1.2區(qū)塊鏈的基本概念
11.2人工智能與區(qū)塊鏈的結(jié)合應(yīng)用
11.2.1人工智能與區(qū)塊鏈的融合
11.2.2區(qū)塊鏈和大模型
11.3檢測以太坊區(qū)塊鏈中的非法賬戶
11.3.1數(shù)據(jù)集介紹
11.3.2數(shù)據(jù)預(yù)處理
11.3.3數(shù)據(jù)分析
11.3.4拆分數(shù)據(jù)集
11.3.5特征縮放
11.3.6構(gòu)建模型和超參數(shù)調(diào)優(yōu)
11.3.7模型評估
11.4比特幣價格預(yù)測系統(tǒng)
11.4.1GreyKite介紹
11.4.2數(shù)據(jù)預(yù)處理
11.4.3創(chuàng)建預(yù)測
11.4.4交叉驗證
11.4.5后測試
11.4.6預(yù)測
11.4.7模型診斷
11.4.8使用LSTM訓(xùn)練模型
11.4.9模型性能可視化
第12章 未來金融智能化發(fā)展趨勢
12.1人工智能在金融領(lǐng)域的應(yīng)用前景
12.2未來金融智能化發(fā)展趨勢的展望
12.2.1智能化金融服務(wù)的普及
12.2.2區(qū)塊鏈與數(shù)字貨幣的演進
12.2.3金融監(jiān)管與法規(guī)的調(diào)整