新書推薦：
《
让内的理性主义 发现无意识之旅
》
售價：NT$
301.0
《
苏美尔文明（方尖碑）
》
售價：NT$
602.0
《
知命不惧：从芝诺到马可·奥勒留的生活艺术
》
售價：NT$
505.0
《
Zemax光学设计从基础到实践
》
售價：NT$
602.0
《
全球化的黎明：亚洲大航海时代
》
售價：NT$
500.0
《
危局
》
售價：NT$
383.0
《
穿裙子的士：叶嘉莹传
》
售價：NT$
245.0
《
肌肤会说话 ： 听懂自己肌肤的语言，呵护肌肤
》
售價：NT$
449.0
|
| 編輯推薦： |
|
《金融大模型开发与应用实践》是一本深入浅出、实战导向的专业教程。它以清晰的结构和丰富的实例，全面覆盖了金融大模型从基础理论到高级应用的各个方面。无论是金融科技的初学者还是资深从业者，都能从中获得宝贵的知识和启发。本书特别适用于那些渴望深化Python编程技能、探索金融模型优化与应用的读者。其内容不仅包括了高频交易、量化策略等前沿话题，还融合了区块链、深度学习等创新技术，是金融专业人士和学术界人士的理想读物。
|
| 內容簡介： |
《金融大模型开发与应用实践》循序渐进、深入讲解了金融大模型开发与应用实践的核心知识，并通过具体实例的实现过程演练了各个知识点的用法。全书共11章，分别讲解了大模型基础、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、高频交易与量化交易、资产定价与交易策略优化、金融市场情绪分析、区块链与金融科技创新、基于深度强化学习的量化交易系统(OpenAIBaselines FinRL DRL PyPortfolioOpt)、基于趋势跟踪的期货交易系统(TechnicalAnalysis library yfinance Quantstats)、上市公司估值系统(OpenAI LangChain Tableau PowerBI)。《金融大模型开发与应用实践》易于阅读，以极简的文字介绍了复杂的案例，同时涵盖了其他同类图书中很少涉及的历史参考资料，是学习金融大模型开发的理想教程。
《金融大模型开发与应用实践》适用于已经了解了Python 基础开发的读者，想进一步学习大模型开发、模型优化、模型应用和模型架构的读者，也可以作为证券、保险、银行等从业者的参考书，还可以作为大专院校相关专业的师生用书和培训机构的专业性教材。
|
| 關於作者： |
张治政，中国海洋大学计算机硕士，西南财经大学金融硕士，资深软件开发工程师和架构师，现就职于红荔湾投资。
从事量化金融、衍生品（期货期权）交易策略、金融建模和金融数据分析的架构和开发工作，拥有多年的受托资产管理和证券市场的投资管理经验，是金融开源模型Tushare的贡献者。
擅长Python、C#、Java、C 和C语言编程，以及大模型和人工智能开发。同时精通量化交易回测、走势预测及风险评估。
|
| 目錄：
|
第 1 章 大 模 型 基 础 1
1.1 人 工 智 能 1
1.1.1 人工智能的发展历程 1
1.1.2 人工智能的研究领域 2
1.1.3 人工智能对人们生活的影响 3
1.2 机器学习和深度学习 4
1.2.1 机器学习 4
1.2.2 深度学习 5
1.2.3 机器学习和深度学习的区别 5
1.3 大 模 型 介 绍 7
1.3.1 大模型的作用 7
1.3.2 数 据 8
1.3.3 数据和大模型的关系 9
1.4 人工智能与金融行业交融 9
1.4.1 人工智能驱动的金融创新 10
1.4.2 大模型在金融中的应用 11
第 2 章 数 据 预 处 理 与 特 征 工 程 12
2.1 数 据 清 洗 与 处 理 12
2.1.1 数据质量检查与缺失值处理 12
2.1.2 异常值检测与处理 15
2.1.3 数据重复性处理 18
2.2 特征选择与提取 20
2.2.1 特征选择方法 20
2.2.2 特征提取技术 25
2.3 数据标准化与归 一 化 34
2.3.1 标准化与归一化的概念 34
2.3.2 金融模型中的标准化与归一化实例 35
第 3 章 金 融 时 间 序 列 分 析 37
3.1 时间序列的基本概念 37
3.1.1 什么是时间序列数据 37
3.1.2 时间序列数据的特点 38
3.1.3 时间序列分析在金融领域的应用 39
3.2 常用的时间序列分析方法 40
3.2.1 移动平均法 40
3.2.2 自回归模型 42
3.2.3 自回归移动平均模型 44
3.2.4 季节性自回归集成移动平均模型 47
3.2.5 ARCH 和 GARCH 模型 50
3.2.6 向量自回归模型 53
3.2.7 协整合分析 56
3.2.8 机器学习方法 59
第 4 章 金 融 风 险 建 模 与 管 理 65
4.1 金融风险的基本概念 65
4.2 基于人工智能的金融风险建模方法 6
4.2.1 传统风险建模方法回顾 66
4.2.2 机器学习在金融风险建模中的应用 67
4.2.3 数据驱动的风险建模 68
4.3 制作贵州茅台的 ARCH 模 型 69
4.3.1 准备数据 69
4.3.2 制作波动模型 70
4.3.3 加入特征数据：市场指数 72
4.3.4 制作股价预测模型 78
4.4 信贷投资组合风险评估模拟程序 81
4.4.1 实例介绍 81
4.4.2 设置信贷投资组合参数和可视化 81
4.4.3 定义风险度量和计算风险贡献 83
4.4.4 损失分布估计和可视化 89
第 5 章 高 频 交 易 与 量 化 交 易 100
5.1 高 频 交 易 100
5.1.1 高频交易的特点 100
5.1.2 高频交易的挑战与风险 101
5.1.3 传统高频交易策略回顾 102
5.1.4 机器学习在高频交易中的应用 102
5.1.5 高频交易中的预测建模 105
5.1.6 量化交易框架 110
5.2 量 化 选 股 程 序 111
5.2.1 Tushare 令牌初始化 111
5.2.2 辅助函数 111
5.2.3 保存结果 113
5.2.4 股票详情 113
5.2.5 选股策略 113
5.2.6 主程序 117
第 6 章 资 产 定 价 与 交 易 策 略 优 化 119
6.1 资产定价模型概述 119
6.1.1 常见的资产定价模型 119
6.1.2 金融市场的非理性行为 122
6.2 基于人工智能的资产定价方法 123
6.2.1 传统资产定价模型的局限性 123
6.2.2 机器学习与资产定价 124
6.3 交 易 策 略 优 化 129
6.3.1 交易策略的基本概念 129
6.3.2 基于人工智能的交易策略优化 130
6.4 股票交易策略实战：制作股票交易策略模型 134
6.4.1 准备环境 134
6.4.2 准备数据 135
6.4.3 下载、清理和预处理股票数据 136
6.4.4 添加技术指标 137
6.4.5 拆分数据集 138
6.4.6 准备训练模型环境 140
6.4.7 训 练DDPG 模型 141
6.4.8 训练 A2C 模型 144
6.4.9 测试模型 146
6.4.10 保存交易决策数据 147
6.4.11 对交易策略进行模拟测试 149
6.5 股票交易策略实战：制作美股交易策略模型 150
6.5.1 项目介绍 150
6.5.2 准备环境 151
6.5.3 准备数据 151
6.5.4 探索性数据分析 155
6.5.5 收盘价可视化 159
6.5.6 波动性(收益率)分析 161
6.5.7 使用有效前沿技术优化投资组合 168
6.5.8 投资组合模拟 174
6.5.9 投资组合可视化 177
6.5.10 结 论 179
第 7 章 金 融 市 场 情 绪 分 析 181
7.1 情绪分析的概念与方法 181
7.1.1 情绪分析的基本概念 181
7.1.2 金融市场情绪的重要性 182
7.1.3 情绪分析的方法 183
7.2 基于人工智能的金融市场情绪分析 188
7.2.1 传统情绪分析方法的局限性 188
7.2.2 机器学习与情绪分析 189
7.3 预 训 练 模 型 ：BERT 190
7.3.1 BERT 模型介绍 190
7.3.2 情感关键字 192
7.3.3 模型微调 194
7.4 预 训 练 模 型 ：FinBERT 197
7.4.1 FinBERT 模型介绍 197
7.4.2 基于 FinBERT 模型的市场情感分析系统 197
第 8 章 区 块 链 与 金 融 科 技 创 新 210
8.1 区块链技术的概念与原理 210
8.1.1 区块链的背景和意义 210
8.1.2 区块链的基本概念 211
8.2 人工智能与区块链的结合应用 212
8.2.1 人工智能与区块链的融合 212
8.2.2 区块链和大模型 213
8.3 检测以太坊区块链中的非法账户 214
8.3.1 数据集介绍 214
8.3.2 数据预处理 214
8.3.3 数据分析 220
8.3.4 拆分数据集 232
8.3.5 特征缩放 234
8.3.6 构建模型和超参数调优 237
8.3.7 模型评估 247
8.4 比特币价格预测系统 251
8.4.1 GreyKite 介 绍 251
8.4.2 数据预处理 252
8.4.3 创建预测 255
8.4.4 交叉验证 256
8.4.5 后测试 257
8.4.6 预 测 259
8.4.7 模型诊断 260
8.4.8 使 用LSTM 训练模型 266
8.4.9 模型性能可视化 269
第 9 章 基 于 深 度 强 化 学 习 的 量 化 交 易 系 统 272
9.1 背 景 介 绍 272
9.2 项 目 介 绍 273
9.2.1 项目目标 273
9.2.2 模块架构 273
9.3 准 备 工 作 274
9.3.1 准备强化学习库 FinRL 274
9.3.2 导入包 275
9.3.3 下载金融数据 276
9.4 数 据 预 处 理 277
9.4.1 技术指标 278
9.4.2 将协方差矩阵添加为状态 279
9.5 构 建 交 易 环 境 281
9.5.1 拆分训练数据 281
9.5.2 投资组合配置环境 282
9.6 深度强化学习算法模型 288
9.6.1 基于A 2C 算法的模型 289
9.6.2 基于 PPO 算法的模型 291
9.6.3 基于 DDPG 算法的模型 292
9.6.4 基于SAC 算法的模型 294
9.6.5 基于TD3算法的模型 296
9.6.6 开始交易 297
9.7 回 测 交 易 策 略 299
9.7.1 回测统计 299
9.7.2 回测结果可视化 301
9.8 最小方差投资组合分配 306
9.8.1 优化投资组合 306
9.8.2 DRL、最小方差、DJIA 的可视化 309
第 10 章 基 于 趋 势 跟 踪 的 期 货 交 易 系 统 312
10.1 背 景 介 绍 312
10.2 功 能 模 块 313
10.3 准 备 工 作 314
10.3.1 安装需要的库 314
10.3.2 导入库 314
10.4 数 据 分 析 315
10.4.1 数据预处理 315
10.4.2 特征工程 318
10.4.3 探索性数据分析 321
10.4.4 特征选择 328
10.5 建 模 329
10.5.1 建模流程 329
10.5.2 具体建模 330
10.6 制 定 交 易 策 略 334
10.7 结 论 343
第 11 章 上 市 公 司 估 值 系 统 345
11.1 背 景 介 绍 345
11.2 项 目 介 绍 345
11.2.1 功能介绍 346
11.2.2 核心技术 346
11.3 数 据 收 集 346
11.3.1 MongoDB 存 储 346
11.3.2 PostgreSQL 存 储 348
11.3.3 EDGAR 数据交互 350
11.3.4 获取股票信息 356
11.4 质 性 分 析 359
11.4.1 年度报告参考 360
11.4.2 生成年度报告内容 362
11.4.3 文档解析 367
11.5 OpenAIAPI 和 Langchain 探 索 370
11.5.1 OpenAI 接 口 370
11.5.2 Langchain 和 OpenAI 处理 372
11.5.3 创建摘要 373
11.5.4 LangChain 处理 380
11.6 定 量 分 析 384
11.6.1 DataFrame 构建与处理 384
11.6.2 提取财务数据 385
11.6.3 数据处理 388
11.6.4 计算估值 403
11.6.5 风险评估 408
11.7 估 值 报 告 可 视 化 412
|
| 內容試閱：
|
随着金融市场的复杂性和不确定性增加，金融机构和个人投资者对于更加精准、高效的金融模型和交易策略的需求也日益迫切。而人工智能技术的快速发展为满足这一需求提供了新的可能性。因此，市场上对于能够将人工智能与金融领域结合，提供实用指导并具 备操作性的书籍的需求不断增加。
Python作为一种强大的编程语言，已经成为金融领域不可或缺的工具之一。本书以全面的视角介绍了人工智能、机器学习、深度学习等技术与金融领域的融合，以及如何利用Python构建大模型来应对金融市场的挑战。本书理论结合实践，可以帮助金融从业者和学习者掌握Python在金融领域的应用技能，提升金融模型的准确性和可操作性，从而更好地适应金融市场的变化和挑战。
本书的特色
全面性与深度：本书从人工智能和机器学习的基础知识入手，深入探讨了这些知识在金融领域中的应用。不仅覆盖了传统的金融模型和技术，还介绍了最新的深度学习和强化学习方法，并提供了丰富的案例研究，使读者能够全面了解和掌握 这些技术。
实用性与操作性：本书不仅介绍了理论知识，更注重如何将这些知识应用到实际项目中。通过大量的代码示例、演示和实战项目，读者可以快速学习并掌握Python在金融领域中的应用技能，提高金融模型的准确性和可操作性。
案例丰富：书中提供了丰富的实际案例和项目，涵盖了金融时间序列分析、风险管理、量化交易、情绪分析、区块链技术等多个方面。这些案例不仅可以帮助读者理解和应用书中介绍的技术，还能够启发读者深入思考和探索更多的应用场景。
前沿技术应用：本书介绍了一些前沿的技术和方法，如深度强化学习、情感分析预训练模型(如BERT 和 FinBERT)、区块链技术等，帮助读者了解并掌握最新的金融科技发展趋势，为他们在金融领域的发展提供更广阔的视野和更丰富的工具。
适用性广泛：尽管以Python为主要编程语言，但本书介绍的方法和技术都具有 普适性，适用于金融领域的各个方面，包括但不限于股票市场、期货市场、债券市场、外汇市场等，以及金融机构的风险管理、资产定价、交易策略优化等多个领域。
本书的内容
本书是一本深入探讨金融和人工智能领域交汇点的综合性书籍，以下是对本书内容的总结。
(1)大模型基础：包括人工智能的发展历程、研究领域和对人们生活的影响，机器学习、深度学习及其在金融中的应用，大模型介绍及其在金融中的作用等内容。
(2)数据预处理与特征工程：包括数据清洗与处理、特征选择与提取、数据标准化与 归一化等内容。
(3)金融时间序列分析：包括时间序列的基本概念、常用的时间序列分析方法。
(4)金融风险建模与管理：包括金融风险的基本概念、基于人工智能的金融风险建模方法、制作贵州茅台的ARCH 模型等内容。
(5)高频交易与量化交易：包括高频交易的特点、传统高频交易策略回顾、量化选股程序等内容。
(6)资产定价与交易策略优化：包括资产定价模型、交易策略的基本概念、股票交易策略实战等内容。
(7)金融市场情绪分析：包括情绪分析的概念与方法、基于人工智能的金融市场情绪分析等内容。
(8)区块链与金融科技创新：包括区块链技术的概念与原理、人工智能与区块链的结合应用、检测以太坊区块链中的非法账户等内容。
(9)基于深度强化学习的量化交易系统：包括背景介绍、项目介绍、数据预处理、构建交易环境、深度强化学习算法模型等内容。
(10)基于趋势跟踪的期货交易系统：包括背景介绍、功能模块、数据分析、建模、制定交易策略等内容。
(11)上市公司估值系统：包括背景介绍、项目介绍、数据收集、质性分析、定量分析、估值报告可视化等内容。
通过学习这些内容，读者将能够系统地了解Python在金融领域的应用，掌握其中的各种技术和方法，并能够将其应用到实际项目中去。
本书的读者对象
数据科学家和分析师：数据科学家和分析师可以通过本书深入了解如何应用机器学习、深度学习和大模型技术来解决金融领域的问题，包括时间序列分析、风险建模、交易策略优化等。
金融专业人士：金融从业人员，包括金融分析师、风险管理专家、交易员等， 可以通过本书学习如何利用人工智能技术来提高金融决策和风险管理的效率和准确性。
数据工程师和开发人员：数据工程师和开发人员可以通过本书了解金融大模型的开发和部署技术，包括深度学习框架、数据预处理工具、模型部署平台等。
学术界研究人员：在学术界从事人工智能和金融领域研究的学者可以通过本书获得实际应用案例和方法，以便在其研究工作中应用。
企业决策者和管理者：企业的高级管理层和决策者可以了解本书中提到的人工智能技术是如何在金融业务中产生价值的，并在决策中考虑这些技术的应用。
大数据分析师：在大数据领域工作的专业人员可以通过本书学习如何处理和分析大规模数据集，为模型开发提供数据支持。
研究人员和学生：从事人工智能研究的学者和学生可以通过本书了解开发金融大模型的知识，学习并掌握开发金融模型的方法。
技术培训师：人工智能领域的培训师可以将本书作为教材，为学员提供全面的金融模型开发与应用教学。
高校老师：高校老师可以将本书作为教材，用于教授人工智能、机器学习和深度学习等课程。本书的内容覆盖了从基础到高级的知识，有助于培养学生的实际应用能力和创新思维。
总之，本书适用于那些对将人工智能和大数据技术应用于金融领域感兴趣的读者。无论是初学者，还是有经验的专业人士，都可以从本书中获得有关金融大模型开发和应用的深刻见解和实用技能。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
