3.8
用户推荐指数
科技 类型
7.0 豆瓣评分
可以朗读 语音朗读
293千字 字数
2022-08-01 发行日期
展开全部

主编推荐语

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。

内容简介

人工智能和机器学习的广泛应用给当今的许多行业带来了根本性的变革。在金融领域，人工智能技术也已锋芒初露。通过阅读本书，你将了解如何利用神经网络和强化学习等方法，对金融市场的走势做出预测。

目录

  • 版权信息
  • 版权声明
  • O'Reilly Media, Inc.介绍
  • 业界评论
  • 本书赞誉
  • 前言
  • 第一部分 机器智能
  • 第1章 人工智能
  • 1.1 算法
  • 1.1.1 数据类型
  • 1.1.2 学习类型
  • 1.1.3 任务类型
  • 1.1.4 方法类型
  • 1.2 神经网络
  • 1.2.1 OLS 回归
  • 1.2.2 神经网络估计
  • 1.2.3 神经网络分类
  • 1.3 数据的重要性
  • 1.3.1 小数据集
  • 1.3.2 更大的数据集
  • 1.3.3 大数据
  • 1.4 结论
  • 第2章 超级智能
  • 2.1 成功故事
  • 2.1.1 雅达利（Atari）
  • 2.1.2 围棋（Go）
  • 2.1.3 国际象棋（Chess）
  • 2.2 硬件的重要性
  • 2.3 智能的形式
  • 2.4 通往超级智能的途径
  • 2.4.1 网络和组织
  • 2.4.2 生物增强
  • 2.4.3 脑机混合
  • 2.4.4 全脑模拟
  • 2.4.5 人工智能
  • 2.5 智能爆炸
  • 2.6 目标和控制
  • 2.6.1 超级智能和目标
  • 2.6.2 超级智能和控制
  • 2.7 潜在的结果
  • 2.8 结论
  • 第二部分 金融和机器学习
  • 第3章 规范性金融理论
  • 3.1 不确定性与风险
  • 3.1.1 定义
  • 3.1.2 数字模拟例子
  • 3.2 预期效用理论
  • 3.2.1 假设和结论
  • 3.2.2 数值例子
  • 3.3 均值−方差投资组合理论
  • 3.3.1 假设和结论
  • 3.3.2 数值例子
  • 3.4 资本资产定价模型
  • 3.4.1 假设和结论
  • 3.4.2 数值例子
  • 3.5 套利定价理论
  • 3.5.1 假设和结论
  • 3.5.2 数值例子
  • 3.6 结论
  • 第4章 数据驱动的金融学
  • 4.1 科学方法
  • 4.2 金融计量经济学与回归
  • 4.3 数据可用性
  • 4.3.1 可编程API
  • 4.3.2 结构化历史数据
  • 4.3.3 结构化流数据
  • 4.3.4 非结构化历史数据
  • 4.3.5 非结构化流数据
  • 4.3.6 非传统数据
  • 4.4 重新审视规范性理论
  • 4.4.1 预期效用与现实
  • 4.4.2 均值-方差投资组合理论
  • 4.4.3 资本资产定价模型
  • 4.4.4 套利定价理论
  • 4.5 揭示中心假设
  • 4.5.1 正态分布收益率
  • 4.5.2 线性关系
  • 4.6 结论
  • 4.7 Python 代码段
  • 第5章 机器学习
  • 5.1 学习
  • 5.2 数据
  • 5.3 成功
  • 5.4 容量
  • 5.5 评估
  • 5.6 偏差和方差
  • 5.7 交叉验证
  • 5.8 结论
  • 第6章 人工智能优先的金融
  • 6.1 有效市场
  • 6.2 基于收益数据的市场预测
  • 6.3 基于更多特征的市场预测
  • 6.4 日内市场预测
  • 6.5 结论
  • 第三部分 统计失效
  • 第7章 密集神经网络
  • 7.1 数据
  • 7.2 基线预测
  • 7.3 归一化
  • 7.4 暂退
  • 7.5 正则化
  • 7.6 装袋
  • 7.7 优化器
  • 7.8 结论
  • 第8章 循环神经网络
  • 8.1 第一个示例
  • 8.2 第二个示例
  • 8.3 金融价格序列
  • 8.4 金融收益率序列
  • 8.5 金融特征
  • 8.5.1 估计
  • 8.5.2 分类
  • 8.5.3 深度RNN
  • 8.6 结论
  • 第9章 强化学习
  • 9.1 基本概念
  • 9.2 OpenAI Gym
  • 9.3 蒙特卡罗智能体
  • 9.4 神经网络智能体
  • 9.5 DQL 智能体
  • 9.6 简单的金融沙箱
  • 9.7 更好的金融沙箱
  • 9.8 FQL 智能体
  • 9.9 结论
  • 第四部分 算法交易
  • 第10章 向量化回测
  • 10.1 基于SMA 策略的回测
  • 10.2 基于DNN 的每日策略的回测
  • 10.3 基于DNN 的日内策略的回测
  • 10.4 结论
  • 第11章 风险管理
  • 11.1 交易机器人
  • 11.2 向量化回测
  • 11.3 基于事件的回测
  • 11.4 风险评估
  • 11.5 风控措施回测
  • 11.5.1 止损
  • 11.5.2 跟踪止损
  • 11.5.3 止盈
  • 11.6 结论
  • 11.7 Python 代码
  • 11.7.1 金融环境
  • 11.7.2 交易机器人
  • 11.7.3 回测基类
  • 11.7.4 回测类
  • 第12章 执行与部署
  • 12.1 Oanda 账户
  • 12.2 数据检索
  • 12.3 订单执行
  • 12.4 交易机器人
  • 12.5 部署
  • 12.6 结论
  • 12.7 Python 代码
  • 12.7.1 Oanda 环境
  • 12.7.2 向量化回测
  • 12.7.3 Oanda 交易机器人
  • 第五部分 展望
  • 第13章 基于人工智能的竞争
  • 13.1 人工智能和金融
  • 13.2 标准的缺失
  • 13.3 教育和培训
  • 13.4 资源争夺
  • 13.5 市场影响
  • 13.6 竞争场景
  • 13.7 风险、监管和监督
  • 13.8 结论
  • 第14章 金融奇点
  • 14.1 概念和定义
  • 14.2 风险是什么
  • 14.3 通往金融奇点的途径
  • 14.4 正交技能和资源
  • 14.5 之前和之后的情景
  • 14.6 星际迷航还是星球大战
  • 14.7 结论
  • 第六部分 附录
  • 附录A 交互式神经网络
  • A.1 张量和张量运算
  • A.2 简单神经网络
  • A.2.1 估计
  • A.2.2 分类
  • A.3 浅层神经网络
  • A.3.1 估计
  • A.3.2 分类
  • 附录B 神经网络类
  • B.1 激活函数
  • B.2 简单神经网络
  • B.2.1 估计
  • B.2.2 分类
  • B.3 浅层神经网络
  • B.3.1 估计
  • B.3.2 分类
  • B.4 预测市场方向
  • 附录C 卷积神经网络
  • C.1 特征和标签数据
  • C.2 训练模型
  • C.3 测试模型
  • 参考文献
  • 关于作者
  • 关于封面
展开全部

评分及书评

3.8
4个评分
  • 用户头像
    给这本书评了
    4.0
    案例丰富，思维严谨！

    作者为德国人伊夫・希尔皮斯科，还是第一次看德国人写的金融书籍。思路与国人的完全不一样。书籍深入浅出地介绍了人工智能在金融行业的应用。作者生动地呈现了各种实例，解释了人工智能如何改变金融业务的方方面面，从风险管理到投资决策，洞察了其对金融市场的巨大影响。本书从线性模型，非线性模型，从传统的机器学习到深度学习，甚至强化学习在金融行业的应用都做了介绍和案例分析。是本好书，值得推荐。

      转发
      评论
      用户头像
      给这本书评了
      1.0
      说实话有点后悔花时间读它

      看评价很不错，但是这本书对我来说确实太不友好了。算法基本没讲，想看算法细节的就别读了；程序注释很简略，要花一定时间去仔细看；也没有从理论上推论的有效策略。我不禁思考，这本书的目标读者是什么样的人？算法没有，程序不是重点，也没有启发性的策略。600 多页，真的有点后悔了。至少它不适合现在的我。

        转发
        评论

      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。