金融人工智能：用Python实现AI量化交易
前言 xiii
第 一部分 机器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 数据类型 3
1．1．2 学习类型 4
1．1．3 任务类型 7
1．1．4 方法类型 7
1．2 神经网络 8
1．2．1 OLS回归 8
查看完整
第 一部分 机器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 数据类型 3
1．1．2 学习类型 4
1．1．3 任务类型 7
1．1．4 方法类型 7
1．2 神经网络 8
1．2．1 OLS回归 8
查看完整
伊夫.希尔皮斯科（Yves Hilpisch），金融数学博士，Python Quants公司创始人兼CEO，致力于普及人工智能、算法交易等相关技术在金融数据中的应用。此外，他还创建了AI Machine平台，提供人工智能算法交易策略的标准化部署。伊夫是国际量化投资分析师认证（CQF）讲师，讲授计算金融学、机器学习和算法交易。他另著有《Python金融大数据分析》。
【译者介绍】
石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。
余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评…
查看完整
【译者介绍】
石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。
余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评…
查看完整
本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。第一部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。
前言 xiii
第 一部分 机器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 数据类型 3
1．1．2 学习类型 4
1．1．3 任务类型 7
1．1．4 方法类型 7
1．2 神经网络 8
1．2．1 OLS回归 8
1．2．2 神经网络估计 12
1．2．3 神经网络分类 17
1．3 数据的重要性 19
1．3．1 小数据集 19
1．3．2 更大的数据集 22
1．3．3 大数据 24
1．4 结论 25
第 2 章 超级智能 26
2．1 成功故事 27
2．1．1 雅达利（Atari） 27
2．1．2 围棋（Go） 32
2．1．3 国际象棋（Chess） 33
2．2 硬件的重要性 35
2．3 智能的形式 36
2．4 通往超级智能的途径 37
2．4．1 网络和组织 38
2．4．2 生物增强 38
2．4．3 脑机混合 38
2．4．4 全脑模拟 39
2．4．5 人工智能 39
2．5 智能爆炸 40
2．6 目标和控制 41
2．6．1 超级智能和目标 41
2．6．2 超级智能和控制 42
2．7 潜在的结果 43
2．8 结论 45
第二部分 金融和机器学习
第 3 章 规范性金融理论 49
3．1 不确定性与风险 50
3．1．1 定义 50
3．1．2 数字模拟例子 51
3．2 预期效用理论 53
3．2．1 假设和结论 53
3．2．2 数值例子 55
3．3 均值 方差投资组合理论 57
3．3．1 假设和结论 57
3．3．2 数值例子 59
3．4 资本资产定价模型 67
3．4．1 假设和结论 67
3．4．2 数值例子 69
3．5 套利定价理论 74
3．5．1 假设和结论 74
3．5．2 数值例子 75
3．6 结论 77
第 4 章 数据驱动的金融学 78
4．1 科学方法 78
4．2 金融计量经济学与回归 79
4．3 数据可用性 82
4．3．1 可编程API 82
4．3．2 结构化历史数据 83
4．3．3 结构化流数据 85
4．3．4 非结构化历史数据 86
4．3．5 非结构化流数据 88
4．3．6 非传统数据 89
4．4 重新审视规范性理论 93
4．4．1 预期效用与现实 93
4．4．2 均值–方差投资组合理论 96
4．4．3 资本资产定价模型 103
4．4．4 套利定价理论 107
4．5 揭示中心假设 115
4．5．1 正态分布收益率 115
4．5．2 线性关系 124
4．6 结论 126
4．7 Python代码段 126
第 5 章 机器学习 130
5．1 学习 131
5．2 数据 131
5．3 成功 133
5．4 容量 137
5．5 评估 140
5．6 偏差和方差 145
5．7 交叉验证 147
5．8 结论 149
第 6 章 人工智能优先的金融 150
6．1 有效市场 150
6．2 基于收益数据的市场预测 155
6．3 基于更多特征的市场预测 161
6．4 日内市场预测 166
6．5 结论 167
第三部分 统计失效
第 7 章 密集神经网络 171
7．1 数据 171
7．2 基线预测 173
7．3 归一化 177
7．4 暂退 179
7．5 正则化 181
7．6 装袋 184
7．7 优化器 185
7．8 结论 186
第 8 章 循环神经网络 187
8．1 第 一个示例 188
8．2 第二个示例 191
8．3 金融价格序列 194
8．4 金融收益率序列 197
8．5 金融特征 199
8．5．1 估计 199
8．5．2 分类 200
8．5．3 深度RNN 201
8．6 结论 202
第 9 章 强化学习 203
9．1 基本概念 204
9．2 OpenAI Gym 205
9．3 蒙特卡罗智能体 208
9．4 神经网络智能体 210
9．5 DQL智能体 212
9．6 简单的金融沙箱 216
9．7 更好的金融沙箱 220
9．8 FQL智能体 222
9．9 结论 227
第四部分 算法交易
第 10 章 向量化回测 231
10．1 基于SMA策略的回测 232
10．2 基于DNN的每日策略的回测 237
10．3 基于DNN的日内策略的回测 243
10．4 结论 248
第 11 章 风险管理 249
11．1 交易机器人 250
11．2 向量化回测 253
11．3 基于事件的回测 255
11．4 风险评估 261
11．5 风控措施回测 264
11．5．1 止损 266
11．5．2 跟踪止损 268
11．5．3 止盈 269
11．6 结论 272
11．7 Python代码 273
11．7．1 金融环境 273
11．7．2 交易机器人 275
11．7．3 回测基类 279
11．7．4 回测类 281
第 12 章 执行与部署 284
12．1 Oanda账户 285
12．2 数据检索 285
12．3 订单执行 289
12．4 交易机器人 294
12．5 部署 300
12．6 结论 304
12．7 Python代码 304
12．7．1 Oanda环境 304
12．7．2 向量化回测 307
12．7．3 Oanda交易机器人 308
第五部分 展望
第 13 章 基于人工智能的竞争 313
13．1 人工智能和金融 313
13．2 标准的缺失 315
13．3 教育和培训 316
13．4 资源争夺 317
13．5 市场影响 318
13．6 竞争场景 319
13．7 风险、监管和监督 320
13．8 结论 322
第 14 章 金融奇点 323
14．1 概念和定义 323
14．2 风险是什么 324
14．3 通往金融奇点的途径 327
14．4 正交技能和资源 328
14．5 之前和之后的情景 328
14．6 星际迷航还是星球大战 329
14．7 结论 329
第六部分 附录
附录A 交互式神经网络 333
附录B 神经网络类 348
附录C 卷积神经网络 360
参考文献 366
^ 收 起
第 一部分 机器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 数据类型 3
1．1．2 学习类型 4
1．1．3 任务类型 7
1．1．4 方法类型 7
1．2 神经网络 8
1．2．1 OLS回归 8
1．2．2 神经网络估计 12
1．2．3 神经网络分类 17
1．3 数据的重要性 19
1．3．1 小数据集 19
1．3．2 更大的数据集 22
1．3．3 大数据 24
1．4 结论 25
第 2 章 超级智能 26
2．1 成功故事 27
2．1．1 雅达利（Atari） 27
2．1．2 围棋（Go） 32
2．1．3 国际象棋（Chess） 33
2．2 硬件的重要性 35
2．3 智能的形式 36
2．4 通往超级智能的途径 37
2．4．1 网络和组织 38
2．4．2 生物增强 38
2．4．3 脑机混合 38
2．4．4 全脑模拟 39
2．4．5 人工智能 39
2．5 智能爆炸 40
2．6 目标和控制 41
2．6．1 超级智能和目标 41
2．6．2 超级智能和控制 42
2．7 潜在的结果 43
2．8 结论 45
第二部分 金融和机器学习
第 3 章 规范性金融理论 49
3．1 不确定性与风险 50
3．1．1 定义 50
3．1．2 数字模拟例子 51
3．2 预期效用理论 53
3．2．1 假设和结论 53
3．2．2 数值例子 55
3．3 均值 方差投资组合理论 57
3．3．1 假设和结论 57
3．3．2 数值例子 59
3．4 资本资产定价模型 67
3．4．1 假设和结论 67
3．4．2 数值例子 69
3．5 套利定价理论 74
3．5．1 假设和结论 74
3．5．2 数值例子 75
3．6 结论 77
第 4 章 数据驱动的金融学 78
4．1 科学方法 78
4．2 金融计量经济学与回归 79
4．3 数据可用性 82
4．3．1 可编程API 82
4．3．2 结构化历史数据 83
4．3．3 结构化流数据 85
4．3．4 非结构化历史数据 86
4．3．5 非结构化流数据 88
4．3．6 非传统数据 89
4．4 重新审视规范性理论 93
4．4．1 预期效用与现实 93
4．4．2 均值–方差投资组合理论 96
4．4．3 资本资产定价模型 103
4．4．4 套利定价理论 107
4．5 揭示中心假设 115
4．5．1 正态分布收益率 115
4．5．2 线性关系 124
4．6 结论 126
4．7 Python代码段 126
第 5 章 机器学习 130
5．1 学习 131
5．2 数据 131
5．3 成功 133
5．4 容量 137
5．5 评估 140
5．6 偏差和方差 145
5．7 交叉验证 147
5．8 结论 149
第 6 章 人工智能优先的金融 150
6．1 有效市场 150
6．2 基于收益数据的市场预测 155
6．3 基于更多特征的市场预测 161
6．4 日内市场预测 166
6．5 结论 167
第三部分 统计失效
第 7 章 密集神经网络 171
7．1 数据 171
7．2 基线预测 173
7．3 归一化 177
7．4 暂退 179
7．5 正则化 181
7．6 装袋 184
7．7 优化器 185
7．8 结论 186
第 8 章 循环神经网络 187
8．1 第 一个示例 188
8．2 第二个示例 191
8．3 金融价格序列 194
8．4 金融收益率序列 197
8．5 金融特征 199
8．5．1 估计 199
8．5．2 分类 200
8．5．3 深度RNN 201
8．6 结论 202
第 9 章 强化学习 203
9．1 基本概念 204
9．2 OpenAI Gym 205
9．3 蒙特卡罗智能体 208
9．4 神经网络智能体 210
9．5 DQL智能体 212
9．6 简单的金融沙箱 216
9．7 更好的金融沙箱 220
9．8 FQL智能体 222
9．9 结论 227
第四部分 算法交易
第 10 章 向量化回测 231
10．1 基于SMA策略的回测 232
10．2 基于DNN的每日策略的回测 237
10．3 基于DNN的日内策略的回测 243
10．4 结论 248
第 11 章 风险管理 249
11．1 交易机器人 250
11．2 向量化回测 253
11．3 基于事件的回测 255
11．4 风险评估 261
11．5 风控措施回测 264
11．5．1 止损 266
11．5．2 跟踪止损 268
11．5．3 止盈 269
11．6 结论 272
11．7 Python代码 273
11．7．1 金融环境 273
11．7．2 交易机器人 275
11．7．3 回测基类 279
11．7．4 回测类 281
第 12 章 执行与部署 284
12．1 Oanda账户 285
12．2 数据检索 285
12．3 订单执行 289
12．4 交易机器人 294
12．5 部署 300
12．6 结论 304
12．7 Python代码 304
12．7．1 Oanda环境 304
12．7．2 向量化回测 307
12．7．3 Oanda交易机器人 308
第五部分 展望
第 13 章 基于人工智能的竞争 313
13．1 人工智能和金融 313
13．2 标准的缺失 315
13．3 教育和培训 316
13．4 资源争夺 317
13．5 市场影响 318
13．6 竞争场景 319
13．7 风险、监管和监督 320
13．8 结论 322
第 14 章 金融奇点 323
14．1 概念和定义 323
14．2 风险是什么 324
14．3 通往金融奇点的途径 327
14．4 正交技能和资源 328
14．5 之前和之后的情景 328
14．6 星际迷航还是星球大战 329
14．7 结论 329
第六部分 附录
附录A 交互式神经网络 333
附录B 神经网络类 348
附录C 卷积神经网络 360
参考文献 366
^ 收 起
伊夫.希尔皮斯科（Yves Hilpisch），金融数学博士，Python Quants公司创始人兼CEO，致力于普及人工智能、算法交易等相关技术在金融数据中的应用。此外，他还创建了AI Machine平台，提供人工智能算法交易策略的标准化部署。伊夫是国际量化投资分析师认证（CQF）讲师，讲授计算金融学、机器学习和算法交易。他另著有《Python金融大数据分析》。
【译者介绍】
石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。
余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评估研究中心研究员，发表论文40余篇，开发大数据算法获国家发明专利授权1项，曾参与多项人工智能产品研发工作。
李煜鑫，上海外国语大学副教授，硕士生导师；英国华威大学特聘研究员，博士生导师；英国约克大学经济学院博士；在国内外从事金融学相关研究近20年，在国内外核心期刊上发表论文30余篇，撰写了多部专著。
^ 收 起
【译者介绍】
石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。
余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评估研究中心研究员，发表论文40余篇，开发大数据算法获国家发明专利授权1项，曾参与多项人工智能产品研发工作。
李煜鑫，上海外国语大学副教授，硕士生导师；英国华威大学特聘研究员，博士生导师；英国约克大学经济学院博士；在国内外从事金融学相关研究近20年，在国内外核心期刊上发表论文30余篇，撰写了多部专著。
^ 收 起
本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。第一部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。
比价列表
缺书网
扫码进群