目录

第1章 金融智能的基本原理 / 1

章前导读 / 1

本章学习目标 / 1

1.1 人工智能概述与历史 / 1

1.1.1 人工智能概述 / 1

1.1.2 人工智能发展历史 / 3

1.2 金融智能概述与场景 / 3

1.2.1 金融智能概述 / 3

1.2.2 金融智能的常见场景 / 4

1.2.3 金融智能中的常用技术 / 7

1.3 金融智能实践与方向 / 8

1.3.1 金融智能发展现状 / 8

1.3.2 金融智能遇到的挑战 / 9

1.3.3 金融智能发展的方向 / 10

1.4 Python基础知识 / 10

1.4.1 Python 安装 / 11

1.4.2 Python常用数据类型、条件、循环与函数 / 12

1.5 机器学习模型评估 / 17

1.5.1 过拟合与欠拟合 / 17

1.5.2 偏差和方差的权衡 / 18

1.5.3 回归问题机器学习模型的评价指标 / 21

1.5.4 机器学习的超参数调校 / 22

1.6 本章小结 / 28

关键名词 / 28

复习思考题 / 28

第2章 金融学基本原理 / 29

章前导读 / 29

本章学习目标 / 29

2.1 金融市场 / 29

2.1.1 金融市场的概念与功能 / 29

2.1.2 金融市场分类 / 30

2.2 实证资产定价 / 31

2.2.1 资产定价的核心问题—股票预期收益率 / 31

2.2.2 投资组合分析  / 33

2.2.3 因子投资  / 38

2.2.4 中国因子模型 / 40

2.3 本章小结 / 43

关键名词 / 44

复习思考题 / 44

第3章 金融智能中的线性方法 / 45

章前导读 / 45

本章学习目标 / 45

3.1 线性分析方法概述 / 45

3.1.1 计量经济学视角下的线性模型 / 45

3.1.2 矩阵视角下的线性模型 / 47

3.1.3 损失函数 / 48

3.2 逻辑回归的算法 / 48

3.2.1 分类问题 / 48

3.2.2 逻辑回归 / 49

3.3 异象性因子的检验 / 50

3.3.1 异象性因子 / 50

3.3.2 异象性因子的时序回归统计检验 / 50

3.3.3 股票特征与未来收益率的检验：Fama-MacBeth截面回归 / 52

3.4 本章小结 / 56

关键名词 / 56

复习思考题 / 56

第4章 带惩罚项的线性方法 / 57

章前导读 / 57

本章学习目标 / 57

4.1 带惩罚项的线性方法简介 / 57

4.2 岭回归 / 58

4.3 LASSO / 59

4.4 弹性网络回归 / 60

4.5 案例分析：利用LASSO进行高频交易 / 60

4.6 实战：蒙特卡洛模拟 / 63

4.7 本章小结 / 71

关键名词 / 71

复习思考题 / 71

第5章 金融智能中的降维方法 / 72

章前导读 / 72

本章学习目标 / 72

5.1 降维分析方法概述 / 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代码 / 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代码 / 74

5.4 IPCA算法 / 74

5.4.1 IPCA模型原理 / 74

5.4.2 约束下的IPCA模型 / 76

5.4.3 无约束下的IPCA模型 / 76

5.4.4 IPCA模型的拓展 / 77

5.5 案例分析：投资者情绪度量 / 79

5.5.1 投资者情绪 / 79

5.5.2 基于PCA方法的指数构建 / 80

5.6 实战代码及解析 / 81

5.6.1 代码 / 82

5.6.2 基于PLS方法的改进指数构建  / 83

5.7 本章小结 / 86

关键名词 / 86

复习思考题 / 86

第6章 聚类分析及其在金融中的应用 / 87

章前导读 / 87

本章学习目标 / 87

6.1 聚类分析概述 / 87

6.1.1 聚类分析的概念 / 88

6.1.2 聚类的过程 / 88

6.1.3 聚类算法的要求 / 89

6.1.4 聚类算法的距离计算 / 89

6.2 K均值聚类算法 / 90

6.2.1 K均值聚类算法概念 / 90

6.2.2 K均值聚类算法代码 / 92

6.3 层次聚类算法 / 93

6.3.1 层次聚类算法概念 / 93

6.3.2 层次聚类算法代码 / 94

6.4 基于密度的聚类算法 / 95

6.4.1 DBSCAN 算法概念 / 96

6.4.2 DBSCAN 算法代码 / 97

6.5 聚类分析在金融客户细分中的应用 / 99

6.6 本章小结 / 100

关键名词 / 101

复习思考题 / 101

第7章 金融智能中的树类方法 / 102

章前导读 / 102

本章学习目标 / 102

7.1 树类分析方法概述及其运用场景 / 102

7.2 回归树 / 103

7.2.1 回归树原理 / 103

7.2.2 回归树算法 / 104

7.2.3 回归树代码 / 105

7.3 集成学习以及随机森林算法 / 106

7.3.1 集成学习以及随机森林原理 / 106

7.3.2 随机森林算法 / 106

7.3.3 随机森林代码介绍 / 106

7.4 梯度提升回归树算法 / 108

7.4.1 梯度提升回归树原理 / 108

7.4.2 梯度提升回归树算法 / 108

7.4.3 梯度提升回归树代码 / 109

7.5 本章小结 / 110

关键名词 / 111

复习思考题 / 111

第8章 金融智能中的全连接神经网络模型 / 112

章前导读 / 112

本章学习目标 / 112

8.1 人工神经网络方法概述 / 112

8.2 激活函数 / 113

8.2.1 ReLU激活函数 / 113

8.2.2 sigmoid激活函数 / 114

8.2.3 tanh激活函数 / 114

8.3 优化算法 / 114

8.3.1 梯度下降 / 114

8.3.2 小批量随机梯度下降 / 115

8.3.3 动量法 / 115

8.3.4 AdaGrad算法 / 115

8.3.5 RMSProp算法 / 116

8.3.6 Adam算法 / 117

8.4 模型训练 / 118

8.4.1 权重惩罚 / 118

8.4.2 丢弃法 / 118

8.4.3 早停法 / 119

8.4.4 批归一法 / 120

8.5 全连接神经网络代码介绍 / 120

8.6 案例分析：基于公司特征的全连接神经网络选股模型 / 121

8.7 实战代码解析：蒙特卡洛模拟 / 123

8.8 本章小结 / 128

关键名词 / 128

复习思考题 / 128

第9章 金融智能中的自编码器模型 / 129

章前导读 / 129

本章学习目标 / 129

9.1 AE方法概述 / 129

9.2 AE代码 / 131

9.3 条件AE与金融中的因子定价模型 / 132

9.4 条件AE代码 / 134

9.5 蒙特卡洛模拟 / 136

9.6 本章小结 / 139

关键名词 / 139

复习思考题 / 139

第10章 金融智能中的卷积神经网络模型 / 141

章前导读 / 141

本章学习目标 / 141

10.1 CNN方法概述 / 141

10.2 CNN算法 / 142

10.2.1 卷积层 / 143

10.2.2 池化层 / 145

10.3 CNN代码 / 146

10.4 案例：K线图识别与股票收益率预测 / 147

10.5 本章小结 / 154

关键名词 / 154

复习思考题 / 154

第11章 金融智能中的循环神经网络模型 / 155

章前导读 / 155

本章学习目标 / 155

11.1 RNN模型基础 / 155

11.1.1 RNN模型概述 / 155

11.1.2 RNN的核心原理 / 157

11.1.3 RNN与其他神经网络的比较 / 158

11.2 RNN模型变体和训练 / 160

11.2.1 RNN模型在Python中的实现 / 160

11.2.2 RNN训练过程与参数调优 / 164

11.3 RNN在金融智能中的应用 / 166

案例　RNN模型与有效市场假说 / 166

11.4 本章小结 / 169

关键名词 / 169

复习思考题 / 169

第12章 金融智能中的生成式对抗网络模型 / 170

章前导读 / 170

本章学习目标 / 170

12.1 GAN模型基础 / 170

12.1.1 GAN模型概述 / 170

12.1.2 GAN的核心组成 / 172

12.2 GAN模型的训练与优化 / 174

12.2.1 GAN模型在Python中的实现 / 174

12.2.2 GAN的参数调优与稳定性问题 / 178

12.3 GAN在金融智能中的应用 / 180

案例 GAN与SDF估计 / 180

参考文献 / 181

12.4 本章小结 / 181

关键名词 / 181

复习思考题 / 182

第13章 金融智能中的自然语言处理方法 / 183

章前导读 / 183

本章学习目标 / 183

13.1 文本分析方法概述及其运用场景 / 183

13.1.1 文本分析概述 / 184

13.1.2 文本分析的应用场景 / 185

13.1.3 文本数据处理一般流程 / 187

13.2 语素与分词 / 189

13.2.1 语素 / 189

13.2.2 分词 / 190

13.2.3 分词代码 / 191

13.3 词袋模型与词向量模型 / 192

13.3.1 词袋模型 / 192

13.3.2 词向量模型 / 193

13.3.3 词向量模型代码 / 196

13.4 TF-IDF算法 / 197

13.4.1 关键词提取概述 / 197

13.4.2 TF-IDF算法 / 199

13.4.3 TF-IDF算法代码 / 200

13.5 主题模型 / 201

13.5.1 主题模型概述 / 201

13.5.2 LDA算法 / 202

13.5.3 LDA代码 / 204

13.6 本章小结 / 205

关键名词 / 205

复习思考题 / 206

第14章 金融智能中的强化学习算法 / 207

章前导读 / 207

本章学习目标 / 207

14.1 强化学习算法基础 / 207

14.1.1 强化学习概述 / 207

14.1.2 强化学习的核心组件 / 208

14.1.3 强化学习与其他学习方法的对比 / 210

14.2 强化学习算法及其训练 / 212

14.2.1 主要强化学习算法 / 212

14.2.2 基于Python实现的案例 / 213

14.3 强化学习的应用 / 216

案例　强化学习在金融智能中的应用 / 216

参考文献 / 217

14.4 本章小结 / 217

关键名词 / 218

复习思考题 / 218

第15章 金融智能中的区块链方法 / 219

章前导读 / 219

本章学习目标 / 219

15.1 区块链技术概述及其运用场景 / 219

15.1.1 区块链技术发展历史 / 219

15.1.2 区块链分类 / 220

15.1.3 区块链技术应用场景 / 221

15.2 区块链技术的加密算法和共识机制 / 222

15.2.1 常见的加密算法 / 222

15.2.2 常见的共识机制 / 224

15.2.3 共识机制背后的经济学 / 225

15.2.4 基于Python生成比特币公钥和私钥 / 227

15.3 区块链技术与智能合约技术 / 228

15.3.1 智能合约技术 / 228

15.3.2 智能合约与数字人民币 / 229

15.4 区块链在金融场景中的应用 / 231

案例　以太坊公有链上的稳定币DAI / 231

15.5 本章小结 / 232

关键名词 / 232

复习思考题 / 232

第16章 金融智能在业界的应用  / 233

章前导读 / 233

本章学习目标 / 233

16.1 金融智能在业界应用概述 / 234

16.2 机器学习预测资产价格 / 236

16.2.1 机器学习预测资产价格的原理 / 236

16.2.2 机器学习预测资产价格在美国股票市场上的实践 / 238

16.2.3 机器学习预测资产价格在中国股票市场上的实践 / 239

16.3 文本分析预测资产价格 / 241

16.4 文本分析在绿色金融领域的应用 / 243

16.5 本章小结 / 245

关键名词 / 245

复习思考题 / 245

第17章 金融科技监管与监管科技 / 246

章前导读 / 246

本章学习目标 / 246

17.1 金融科技监管和监管科技概述 / 246

17.2 金融科技各领域监管案例 / 247

17.3 监管科技 / 256

17.4 本章小结 / 261

关键名词 / 261

复习思考题 / 261