互联网 类型
可以朗读 语音朗读
196千字 字数
2025-03-01 发行日期
展开全部

主编推荐语

用Python机器学习开启AI时代的金融风控新思路。

内容简介

近年来，人工智能技术得到了快速发展，并在金融风险管理领域逐渐渗透。本书旨在引导读者了解金融风险建模背后的理论，学会在金融风险管理业务中运用Python语言和一系列机器学习模型。

本书分为三部分，第一部分（第1～3章）介绍风险管理的基础知识，第二部分（第4～8章）通过一系列案例将机器学习模型运用到市场风险管理、信用风险管理、流动性风险管理和运营风险管理等场景，第三部分（第9章、第10章）讲解如何对其他金融风险类型进行建模。

目录

  • 版权信息
  • 内容提要
  • 本书赞誉
  • 前言
  • 资源与支持
  • 第一部分 风险管理基础
  • 第1章 风险管理基础知识
  • 1.1 风险
  • 1.2 收益
  • 1.3 风险管理
  • 1.4 金融风险管理中的信息不对称
  • 1.5 本章小结
  • 1.6 参考资料
  • 第2章 时间序列建模简介
  • 2.1 时间序列的成分
  • 2.2 传统时间序列建模过程
  • 2.3 白噪声和信息准则
  • 2.4 MA、AR和ARIMA模型
  • 2.5 本章小结
  • 2.6 参考资料
  • 第3章 使用深度学习进行时间序列建模
  • 3.1 RNN
  • 3.2 LSTM
  • 3.3 本章小结
  • 3.4 参考资料
  • 第二部分 使用ML管理市场、信用、流动性和运营风险
  • 第4章 基于ML的波动率预测
  • 4.1 ARCH模型
  • 4.2 GARCH模型
  • 4.3 GJR-GARCH模型
  • 4.4 EGARCH模型
  • 4.5 SVR-GARCH模型
  • 4.6 神经网络和深度学习
  • 4.7 贝叶斯方法
  • 4.8 本章小结
  • 4.9 参考资料
  • 第5章 市场风险建模
  • 5.1 VaR模型
  • 5.2 降噪
  • 5.3 ES模型
  • 5.4 考虑流动性风险之后的ES模型
  • 5.5 实际成本
  • 5.6 本章小结
  • 5.7 参考资料
  • 第6章 信用风险估计
  • 6.1 估计信用风险
  • 6.2 风险篮子
  • 6.3 使用逻辑回归估计违约概率
  • 6.4 使用贝叶斯模型估计违约概率
  • 6.5 使用SVM估计违约概率
  • 6.6 使用随机森林估计违约概率
  • 6.7 使用神经网络估计违约概率
  • 6.8 使用深度学习估计违约概率
  • 6.9 本章小结
  • 6.10 参考资料
  • 第7章 流动性风险建模
  • 7.1 流动性测量
  • 7.2 GMM
  • 7.3 GMCM
  • 7.4 本章小结
  • 7.5 参考资料
  • 第8章 运营风险建模
  • 8.1 熟悉欺诈数据
  • 8.2 欺诈审查的监督学习建模
  • 8.3 欺诈审查的无监督学习建模
  • 8.4 本章小结
  • 8.5 参考资料
  • 第三部分 对其他金融风险类型建模
  • 第9章 公司治理风险度量：股价崩盘
  • 9.1 股价崩盘度量
  • 9.2 最小协方差行列式的理论
  • 9.3 最小协方差行列式的代码
  • 9.4 面板数据分析
  • 9.5 本章小结
  • 9.6 参考资料
  • 第10章 金融中的合成数据生成与HMM
  • 10.1 合成数据生成
  • 10.2 评估合成数据的功效
  • 10.3 合成数据生成实战
  • 10.4 HMM简介
  • 10.5 对比隐马尔可夫模型与Fama-French三因子模型
  • 10.6 使用高斯HMM模型生成合成数据
  • 10.7 本章小结
  • 10.8 参考资料
  • 后记
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。