互联网
类型
可以朗读
语音朗读
156千字
字数
2024-08-01
发行日期
展开全部
主编推荐语
本书结合具体实例循序渐进地讲解了金融大模型开发的核心知识。
内容简介
全书共12章，分别讲解了大模型基础、大模型开发技术栈、数据预处理与特征工程、金融时间序列分析、金融风险建模与管理、高频交易与算法交易、信用风险评估、资产定价与交易策略优化、金融市场情绪分析、银行应用大模型开发实战、区块链与金融科技创新和未来金融智能化发展趋势。本书内容丰富全面，是学习金融大模型开发的优秀教程。
目录
- 版权信息
- 前言
- 第1章 大模型基础
- 1.1 人工智能
- 1.1.1 人工智能的发展历程
- 1.1.2 人工智能的研究领域
- 1.1.3 人工智能对人们生活的影响
- 1.2 机器学习和深度学习
- 1.2.1 机器学习
- 1.2.2 深度学习
- 1.2.3 机器学习和深度学习的区别
- 1.3 大模型介绍
- 1.3.1 大模型的作用
- 1.3.2 数据
- 1.3.3 数据和大模型的关系
- 1.4 人工智能与金融行业交融
- 1.4.1 人工智能驱动的金融创新
- 1.4.2 大模型在金融行业中的应用
- 第2章 大模型开发技术栈
- 2.1 深度学习框架
- 2.1.1 TensorFlow
- 2.1.2 PyTorch
- 2.2 数据预处理与处理工具
- 2.2.1 Pandas
- 2.2.2 NumPy
- 2.3 模型部署与推理
- 2.3.1 Docker和Kubernetes
- 2.3.2 部署平台
- 2.4 其他技术
- 2.4.1 模型训练和调优
- 2.4.2 模型架构和设计
- 2.4.3 加速、优化和安全性
- 第3章 数据预处理与特征工程
- 3.1 数据清洗与处理
- 3.1.1 数据质量检查与缺失值处理
- 3.1.2 异常值检测与处理
- 3.1.3 数据重复性处理
- 3.2 特征选择与特征提取
- 3.2.1 特征选择方法
- 3.2.2 特征提取技术
- 3.3 数据标准化与归一化
- 3.3.1 标准化与归一化的概念
- 3.3.2 金融模型中的标准化与归一化例子
- 第4章 金融时间序列分析
- 4.1 时间序列的基本概念
- 4.1.1 什么是时间序列数据
- 4.1.2 时间序列数据的特点
- 4.1.3 时间序列分析在金融领域的应用
- 4.2 常用的时间序列分析方法
- 4.2.1 移动平均法
- 4.2.2 自回归模型
- 4.2.3 自回归移动平均模型
- 4.2.4 季节性自回归集成移动平均模型
- 4.2.5 ARCH和GARCH模型
- 4.2.6 向量自回归模型
- 4.2.7 协整分析
- 4.2.8 机器学习方法
- 第5章 金融风险建模与管理
- 5.1 金融风险的概念与分类
- 5.1.1 金融风险的基本概念
- 5.1.2 金融风险的分类
- 5.2 基于人工智能的金融风险建模方法
- 5.2.1 传统风险建模方法回顾
- 5.2.2 机器学习在金融风险建模中的应用
- 5.2.3 数据驱动的风险建模
- 5.3 制作贵州茅台的ARCH模型
- 5.3.1 准备数据
- 5.3.2 制作波动模型
- 5.3.3 加入特征数据：市场指数
- 5.3.4 制作股价预测模型
- 5.4 信贷投资组合风险评估模拟程序
- 5.4.1 实例介绍
- 5.4.2 设置信贷投资组合参数和可视化
- 5.4.3 定义风险度量和计算风险贡献
- 5.4.4 损失分布估计和可视化
- 第6章 高频交易与算法交易
- 6.1 高频交易
- 6.1.1 高频交易的特点
- 6.1.2 高频交易的挑战与风险
- 6.1.3 传统高频交易策略回顾
- 6.1.4 机器学习在高频交易中的应用
- 6.1.5 高频交易中的预测建模
- 6.1.6 量化交易框架
- 6.2 算法交易
- 6.2.1 算法交易策略的特点和优势
- 6.2.2 算法交易和量化交易的区别
- 6.2.3 制作算法交易模型
- 6.3 量化选股程序
- 6.3.1 Tushare令牌初始化
- 6.3.2 辅助函数
- 6.3.3 保存结果
- 6.3.4 股票详情
- 6.3.5 选股策略
- 6.3.6 主程序
- 第7章 信用风险评估
- 7.1 信用风险的概念与评估方法
- 7.1.1 信用风险的基本概念
- 7.1.2 信用评估方法
- 7.2 人工智能在信用风险评估中的应用
- 7.2.1 传统信用评估方法的局限性
- 7.2.2 机器学习与信用风险评估
- 7.2.3 风险模型的解释性与可解释性
- 7.3 金融风险管理实战：制作信贷风控模型
- 7.3.1 读取数据集数据
- 7.3.2 探索性数据分析
- 7.3.3 编码分类变量
- 7.3.4 数据分析
- 7.3.5 相关性分析
- 7.3.6 外部数据源
- 7.3.7 绘制成对图
- 7.3.8 特征工程
- 7.3.9 创建基线模型
- 7.3.10 优化模型
- 7.3.11 制作LightGBM模型
- 第8章 资产定价与交易策略优化
- 8.1 资产定价模型概述
- 8.1.1 常见的资产定价模型
- 8.1.2 金融市场的非理性行为
- 8.2 基于人工智能的资产定价方法
- 8.2.1 传统资产定价模型的局限性
- 8.2.2 机器学习与资产定价
- 8.3 交易策略优化
- 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优化
- 8.4 股票交易策略实战：制作股票交易策略模型
- 8.4.1 准备环境
- 8.4.2 准备数据
- 8.4.3 下载、清理和预处理股票数据
- 8.4.4 添加技术指标
- 8.4.5 拆分数据集
- 8.4.6 准备训练模型环境
- 8.4.7 训练DDPG模型
- 8.4.8 训练A2C模型
- 8.4.9 测试模型
- 8.4.10 保存交易决策数据
- 8.4.11 对交易策略进行模拟测试
- 第9章 金融市场情绪分析
- 9.1 情绪分析的概念与方法
- 9.1.1 情绪分析的基本概念
- 9.1.2 金融市场情绪的重要性
- 9.1.3 情绪分析的方法
- 9.2 基于人工智能的金融市场情绪分析
- 9.2.1 传统情绪分析方法的局限性
- 9.2.2 机器学习与情绪分析
- 9.3 预训练模型：BERT
- 9.3.1 BERT模型介绍
- 9.3.2 情感关键字
- 9.3.3 模型微调
- 9.4 预训练模型：FinBERT
- 9.4.1 FinBERT模型介绍
- 9.4.2 基于FinBERT模型的市场情感分析系统
- 第10章 银行应用大模型开发实战
- 10.1 银行应用大模型基础
- 10.1.1 银行应用大模型概述
- 10.1.2 大模型在银行业的重要性
- 10.2 贷款预测模型
- 10.2.1 项目背景
- 10.2.2 数据集介绍
- 10.2.3 数据探索
- 10.2.4 数据预处理
- 10.2.5 制作模型
- 10.2.6 比较模型
- 10.3 银行消费者投诉处理模型
- 10.3.1 背景介绍
- 10.3.2 数据集预处理
- 10.3.3 目标特征的分布
- 10.3.4 探索性数据分析
- 10.3.5 制作模型
- 第11章 区块链与金融科技创新
- 11.1 区块链技术的概念与原理
- 11.1.1 区块链产生的背景
- 11.1.2 区块链的基本概念
- 11.2 人工智能与区块链的结合应用
- 11.2.1 人工智能与区块链的融合
- 11.2.2 区块链和大模型
- 11.3 检测以太坊区块链中的非法账户
- 11.3.1 数据集介绍
- 11.3.2 数据预处理
- 11.3.3 数据分析
- 11.3.4 拆分数据集
- 11.3.5 特征缩放
- 11.3.6 构建模型和超参数调优
- 11.3.7 模型评估
- 11.4 比特币价格预测系统
- 11.4.1 GreyKite介绍
- 11.4.2 数据预处理
- 11.4.3 创建预测
- 11.4.4 交叉验证
- 11.4.5 后测试
- 11.4.6 预测
- 11.4.7 模型诊断
- 11.4.8 使用LSTM训练模型
- 11.4.9 模型性能可视化
- 第12章 未来金融智能化发展趋势
- 12.1 人工智能在金融领域的应用前景
- 12.2 未来金融智能化发展趋势的展望
- 12.2.1 智能化金融服务的普及
- 12.2.2 区块链与数字货币的演进
- 12.2.3 金融监管与法规的调整
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
