掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
金融人工智能:用Python實現AI量化交易 版權信息
- ISBN：9787115594556
- 條形碼：9787115594556 ; 978-7-115-59455-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
金融人工智能:用Python實現AI量化交易 本書特色
人工智能和機器學習的廣泛應用給當今的許多行業帶來了根本性的變革。在金融領域，人工智能技術也已鋒芒初露。通過閱讀本書，你將了解如何利用神經網絡和強化學習等方法，對金融市場的走勢做出預測。作者伊夫·希爾皮斯科博士基于多年開發、回測和部署人工智能算法交易策略的實戰經驗，展示了將人工智能算法應用于金融場景的實用方法。本書包含大量Python示例，有助于你邊學邊練，輕松復現書中的所有結果。* 學習人工智能的主要概念和算法，并了解通用人工智能和超級智能* 理解機器學習和數據驅動的金融學將如何改變金融理論和實踐* 運用神經網絡和強化學習等方法，發掘金融市場的統計失效現象* 學習向量化回測和算法交易，并掌握人工智能算法交易策略的執行與部署* 展望金融人工智能的未來，涉及基于人工智能的競爭和金融奇點
金融人工智能:用Python實現AI量化交易 內容簡介
本書通過Python示例介紹人工智能技術在金融數據分析中的應用。你將了解如何將神經網絡、強化學習等深度學習技術應用于預測金融市場。本書分為六大部分。**部分介紹人工智能算法的核心概念，包括監督學習和神經網絡，并描繪超級人工智能愿景。第二部分討論機器學習技術在金融市場中的應用。第三部分更進一步，討論如何利用神經網絡和強化學習技術解決金融市場中的統計失效問題。第四部分詳述如何利用算法交易解決統計失效問題。第五部分展望未來，探討人工智能會如何改變金融業。第六部分給出以Python實現的神經網絡，可用于時間序列預測。
金融人工智能:用Python實現AI量化交易 目錄
前言 xiii
第 一部分 機器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 數據類型 3
1．1．2 學習類型 4
1．1．3 任務類型 7
1．1．4 方法類型 7
1．2 神經網絡 8
1．2．1 OLS回歸 8
1．2．2 神經網絡估計 12
1．2．3 神經網絡分類 17
1．3 數據的重要性 19
1．3．1 小數據集 19
1．3．2 更大的數據集 22
1．3．3 大數據 24
1．4 結論 25
第 2 章 超級智能 26
2．1 成功故事 27
2．1．1 雅達利（Atari） 27
2．1．2 圍棋（Go） 32
2．1．3 國際象棋（Chess） 33
2．2 硬件的重要性 35
2．3 智能的形式 36
2．4 通往超級智能的途徑 37
2．4．1 網絡和組織 38
2．4．2 生物增強 38
2．4．3 腦機混合 38
2．4．4 全腦模擬 39
2．4．5 人工智能 39
2．5 智能爆炸 40
2．6 目標和控制 41
2．6．1 超級智能和目標 41
2．6．2 超級智能和控制 42
2．7 潛在的結果 43
2．8 結論 45
第二部分 金融和機器學習
第 3 章 規范性金融理論 49
3．1 不確定性與風險 50
3．1．1 定義 50
3．1．2 數字模擬例子 51
3．2 預期效用理論 53
3．2．1 假設和結論 53
3．2．2 數值例子 55
3．3 均值 方差投資組合理論 57
3．3．1 假設和結論 57
3．3．2 數值例子 59
3．4 資本資產定價模型 67
3．4．1 假設和結論 67
3．4．2 數值例子 69
3．5 套利定價理論 74
3．5．1 假設和結論 74
3．5．2 數值例子 75
3．6 結論 77
第 4 章 數據驅動的金融學 78
4．1 科學方法 78
4．2 金融計量經濟學與回歸 79
4．3 數據可用性 82
4．3．1 可編程API 82
4．3．2 結構化歷史數據 83
4．3．3 結構化流數據 85
4．3．4 非結構化歷史數據 86
4．3．5 非結構化流數據 88
4．3．6 非傳統數據 89
4．4 重新審視規范性理論 93
4．4．1 預期效用與現實 93
4．4．2 均值–方差投資組合理論 96
4．4．3 資本資產定價模型 103
4．4．4 套利定價理論 107
4．5 揭示中心假設 115
4．5．1 正態分布收益率 115
4．5．2 線性關系 124
4．6 結論 126
4．7 Python代碼段 126
第 5 章 機器學習 130
5．1 學習 131
5．2 數據 131
5．3 成功 133
5．4 容量 137
5．5 評估 140
5．6 偏差和方差 145
5．7 交叉驗證 147
5．8 結論 149
第 6 章 人工智能優先的金融 150
6．1 有效市場 150
6．2 基于收益數據的市場預測 155
6．3 基于更多特征的市場預測 161
6．4 日內市場預測 166
6．5 結論 167
第三部分 統計失效
第 7 章 密集神經網絡 171
7．1 數據 171
7．2 基線預測 173
7．3 歸一化 177
7．4 暫退 179
7．5 正則化 181
7．6 裝袋 184
7．7 優化器 185
7．8 結論 186
第 8 章 循環神經網絡 187
8．1 第 一個示例 188
8．2 第二個示例 191
8．3 金融價格序列 194
8．4 金融收益率序列 197
8．5 金融特征 199
8．5．1 估計 199
8．5．2 分類 200
8．5．3 深度RNN 201
8．6 結論 202
第 9 章 強化學習 203
9．1 基本概念 204
9．2 OpenAI Gym 205
9．3 蒙特卡羅智能體 208
9．4 神經網絡智能體 210
9．5 DQL智能體 212
9．6 簡單的金融沙箱 216
9．7 更好的金融沙箱 220
9．8 FQL智能體 222
9．9 結論 227
第四部分 算法交易
第 10 章 向量化回測 231
10．1 基于SMA策略的回測 232
10．2 基于DNN的每日策略的回測 237
10．3 基于DNN的日內策略的回測 243
10．4 結論 248
第 11 章 風險管理 249
11．1 交易機器人 250
11．2 向量化回測 253
11．3 基于事件的回測 255
11．4 風險評估 261
11．5 風控措施回測 264
11．5．1 止損 266
11．5．2 跟蹤止損 268
11．5．3 止盈 269
11．6 結論 272
11．7 Python代碼 273
11．7．1 金融環境 273
11．7．2 交易機器人 275
11．7．3 回測基類 279
11．7．4 回測類 281
第 12 章 執行與部署 284
12．1 Oanda賬戶 285
12．2 數據檢索 285
12．3 訂單執行 289
12．4 交易機器人 294
12．5 部署 300
12．6 結論 304
12．7 Python代碼 304
12．7．1 Oanda環境 304
12．7．2 向量化回測 307
12．7．3 Oanda交易機器人 308
第五部分 展望
第 13 章 基于人工智能的競爭 313
13．1 人工智能和金融 313
13．2 標準的缺失 315
13．3 教育和培訓 316
13．4 資源爭奪 317
13．5 市場影響 318
13．6 競爭場景 319
13．7 風險、監管和監督 320
13．8 結論 322
第 14 章 金融奇點 323
14．1 概念和定義 323
14．2 風險是什么 324
14．3 通往金融奇點的途徑 327
14．4 正交技能和資源 328
14．5 之前和之后的情景 328
14．6 星際迷航還是星球大戰 329
14．7 結論 329
第六部分 附錄
附錄A 交互式神經網絡 333
附錄B 神經網絡類 348
附錄C 卷積神經網絡 360
參考文獻 366
第 一部分 機器智能
第 1 章 人工智能 3
1．1 算法 3
1．1．1 數據類型 3
1．1．2 學習類型 4
1．1．3 任務類型 7
1．1．4 方法類型 7
1．2 神經網絡 8
1．2．1 OLS回歸 8
1．2．2 神經網絡估計 12
1．2．3 神經網絡分類 17
1．3 數據的重要性 19
1．3．1 小數據集 19
1．3．2 更大的數據集 22
1．3．3 大數據 24
1．4 結論 25
第 2 章 超級智能 26
2．1 成功故事 27
2．1．1 雅達利（Atari） 27
2．1．2 圍棋（Go） 32
2．1．3 國際象棋（Chess） 33
2．2 硬件的重要性 35
2．3 智能的形式 36
2．4 通往超級智能的途徑 37
2．4．1 網絡和組織 38
2．4．2 生物增強 38
2．4．3 腦機混合 38
2．4．4 全腦模擬 39
2．4．5 人工智能 39
2．5 智能爆炸 40
2．6 目標和控制 41
2．6．1 超級智能和目標 41
2．6．2 超級智能和控制 42
2．7 潛在的結果 43
2．8 結論 45
第二部分 金融和機器學習
第 3 章 規范性金融理論 49
3．1 不確定性與風險 50
3．1．1 定義 50
3．1．2 數字模擬例子 51
3．2 預期效用理論 53
3．2．1 假設和結論 53
3．2．2 數值例子 55
3．3 均值 方差投資組合理論 57
3．3．1 假設和結論 57
3．3．2 數值例子 59
3．4 資本資產定價模型 67
3．4．1 假設和結論 67
3．4．2 數值例子 69
3．5 套利定價理論 74
3．5．1 假設和結論 74
3．5．2 數值例子 75
3．6 結論 77
第 4 章 數據驅動的金融學 78
4．1 科學方法 78
4．2 金融計量經濟學與回歸 79
4．3 數據可用性 82
4．3．1 可編程API 82
4．3．2 結構化歷史數據 83
4．3．3 結構化流數據 85
4．3．4 非結構化歷史數據 86
4．3．5 非結構化流數據 88
4．3．6 非傳統數據 89
4．4 重新審視規范性理論 93
4．4．1 預期效用與現實 93
4．4．2 均值–方差投資組合理論 96
4．4．3 資本資產定價模型 103
4．4．4 套利定價理論 107
4．5 揭示中心假設 115
4．5．1 正態分布收益率 115
4．5．2 線性關系 124
4．6 結論 126
4．7 Python代碼段 126
第 5 章 機器學習 130
5．1 學習 131
5．2 數據 131
5．3 成功 133
5．4 容量 137
5．5 評估 140
5．6 偏差和方差 145
5．7 交叉驗證 147
5．8 結論 149
第 6 章 人工智能優先的金融 150
6．1 有效市場 150
6．2 基于收益數據的市場預測 155
6．3 基于更多特征的市場預測 161
6．4 日內市場預測 166
6．5 結論 167
第三部分 統計失效
第 7 章 密集神經網絡 171
7．1 數據 171
7．2 基線預測 173
7．3 歸一化 177
7．4 暫退 179
7．5 正則化 181
7．6 裝袋 184
7．7 優化器 185
7．8 結論 186
第 8 章 循環神經網絡 187
8．1 第 一個示例 188
8．2 第二個示例 191
8．3 金融價格序列 194
8．4 金融收益率序列 197
8．5 金融特征 199
8．5．1 估計 199
8．5．2 分類 200
8．5．3 深度RNN 201
8．6 結論 202
第 9 章 強化學習 203
9．1 基本概念 204
9．2 OpenAI Gym 205
9．3 蒙特卡羅智能體 208
9．4 神經網絡智能體 210
9．5 DQL智能體 212
9．6 簡單的金融沙箱 216
9．7 更好的金融沙箱 220
9．8 FQL智能體 222
9．9 結論 227
第四部分 算法交易
第 10 章 向量化回測 231
10．1 基于SMA策略的回測 232
10．2 基于DNN的每日策略的回測 237
10．3 基于DNN的日內策略的回測 243
10．4 結論 248
第 11 章 風險管理 249
11．1 交易機器人 250
11．2 向量化回測 253
11．3 基于事件的回測 255
11．4 風險評估 261
11．5 風控措施回測 264
11．5．1 止損 266
11．5．2 跟蹤止損 268
11．5．3 止盈 269
11．6 結論 272
11．7 Python代碼 273
11．7．1 金融環境 273
11．7．2 交易機器人 275
11．7．3 回測基類 279
11．7．4 回測類 281
第 12 章 執行與部署 284
12．1 Oanda賬戶 285
12．2 數據檢索 285
12．3 訂單執行 289
12．4 交易機器人 294
12．5 部署 300
12．6 結論 304
12．7 Python代碼 304
12．7．1 Oanda環境 304
12．7．2 向量化回測 307
12．7．3 Oanda交易機器人 308
第五部分 展望
第 13 章 基于人工智能的競爭 313
13．1 人工智能和金融 313
13．2 標準的缺失 315
13．3 教育和培訓 316
13．4 資源爭奪 317
13．5 市場影響 318
13．6 競爭場景 319
13．7 風險、監管和監督 320
13．8 結論 322
第 14 章 金融奇點 323
14．1 概念和定義 323
14．2 風險是什么 324
14．3 通往金融奇點的途徑 327
14．4 正交技能和資源 328
14．5 之前和之后的情景 328
14．6 星際迷航還是星球大戰 329
14．7 結論 329
第六部分 附錄
附錄A 交互式神經網絡 333
附錄B 神經網絡類 348
附錄C 卷積神經網絡 360
參考文獻 366
展開全部
金融人工智能:用Python實現AI量化交易 作者簡介
伊夫.希爾皮斯科（Yves Hilpisch），金融數學博士，Python Quants公司創始人兼CEO，致力于普及人工智能、算法交易等相關技術在金融數據中的應用。此外，他還創建了AI Machine平臺，提供人工智能算法交易策略的標準化部署。伊夫是國際量化投資分析師認證（CQF）講師，講授計算金融學、機器學習和算法交易。他另著有《Python金融大數據分析》。【譯者介紹】石磊磊，在人工智能領域深耕20余年，曾任職于螞蟻金服、微軟等國內外知名公司，主導了多個金融模型的開發，服務于全球數億設備，帶領團隊研發了工業級實時動態圖風控系統，在金融風險管理和量化交易方面有豐富的研究經驗和應用經驗。余宇新，上海外國語大學副教授，金融大數據中心執行主任，上海市創新政策評估研究中心研究員，發表論文40余篇，開發大數據算法獲國家發明專利授權1項，曾參與多項人工智能產品研發工作。李煜鑫，上海外國語大學副教授，碩士生導師；英國華威大學特聘研究員，博士生導師；英國約克大學經濟學院博士；在國內外從事金融學相關研究近20年，在國內外核心期刊上發表論文30余篇，撰寫了多部專著。
書友推薦
- >
名家帶你讀魯迅:故事新編
- >
伊索寓言-世界文學名著典藏-全譯本
- >
隨園食單
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
- >
羅曼·羅蘭讀書隨筆-精裝
- >
推拿
本類暢銷
