金融大模型開發基礎與實踐

陳強

金融大模型開發基礎與實踐
  • 出版商: 北京大學
  • 出版日期: 2024-08-01
  • 售價: $654
  • 貴賓價: 9.5 折 $621
  • 語言: 簡體中文
  • 頁數: 416
  • 裝訂: 平裝
  • ISBN: 7301353200
  • ISBN-13: 9787301353202
  • 相關分類: Large language model、Fintech

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

LLM 大語言模型｜2書75折 詳見活動內容 »

商品描述

本書結合具體實例循序漸進地講解了金融大模型開發的核心知識。
全書共12章，分別講解了大模型基礎、大模型開發技術棧、數據預處理與特徵工程、金融時間序列分析、
金融風險建模與管理、高頻交易與演算法交易、信用風險評估、資產定價與交易策略優化、金融市場情緒分析、
銀行應用大模型開發實戰、區塊鍊與金融科技創新與未來金融智慧化發展趨勢。
本書內容豐富全面，是學習金融大模型開發的優秀教學。
本書既適合已經掌握Python基礎開發的初學者學習使用，也適合想進一步學習大模型開發、模型優化、模型應用和模型架構的讀者閱讀。
本書不僅可以作為證券、保險、銀行等行業從業者的參考書，還可以作為大專院校和培訓學校的專業性教材。

目錄大綱

目錄
第1章　大模型基礎
1.1人工智能
1.1.1人工智能的發展歷程
1.1.2人工智能的研究領域
1.1.3人工智能對人們生活的影響
1.2機器學習與深度學習
1.2.1機器學習
1.2.2深度學習
1.2.3機器學習和深度學習的區別
1.3大模型介紹
1.3.1大模型的作用
1.3.2數據
1.3.3數據和大模型的關係
1.4人工智能與金融業交融
1.4.1人工智能驅動的金融創新
1.4.2大模型在金融業的應用
第2章　大模型開發技術棧
2.1深度學習框架
2.1.1TensorFlow
2.1.2PyTorch
2.2資料預處理與處理工具
2.2.1Pandas
2.2.2NumPy
2.3模型部署與推理
2.3.1Docker和Kubernetes
2.3.2部署平臺
2.4其他技術
2.4.1模型訓練與調優
2.4.2模型架構與設計
2.4.3加速、優化和安全性
第3章　資料預處理與特徵工程
3.1資料清洗與處理
3.1.1資料品質檢查與缺失值處理
3.1.2異常值檢測與處理
3.1.3資料重複性處理
3.2特徵選擇與特徵提取
3.2.1特徵選擇方法
3.2.2特徵擷取技術
3.3數據標準化與歸一化
3.3.1標準化與歸一化的概念
3.3.2金融模型中的標準化與歸一化例子
第4章　金融時間序列分析
4.1時間序列的基本概念
4.1.1什麼是時間序列數據
4.1.2時間序列資料的特點
4.1.3時間序列分析在金融領域的應用
4.2常用的時間序列分析方法
4.2.1移動平均法
4.2.2自迴歸模型
4.2.3自回歸移動平均模型
4.2.4季節性自回歸整合移動平均模型
4.2.5ARCH 和 GARCH 模型
4.2.6向量自迴歸模型
4.2.7協整分析
4.2.8機器學習方法
第5章　金融風險建模與管理
5.1金融風險的概念與分類
5.1.1金融風險的基本概念
5.1.2金融風險的分類
5.2基於人工智能的金融風險建模方法
5.2.1傳統風險建模方法回顧
5.2.2機器學習在金融風險建模的應用
5.2.3數據驅動的風險建模
5.3製作貴州茅臺的ARCH模型
5.3.1準備數據
5.3.2製作波動模型
5.3.3加入特徵資料：市場指數
5.3.4製作股價預測模型
5.4信貸投資組合風險評估模擬程序
5.4.1實例介紹
5.4.2設定信貸投資組合參數與視覺化
5.4.3定義風險度量與計算風險貢獻
5.4.4損失分佈估計與可視化
第6章　高頻交易與演算法交易
6.1高頻交易
6.1.1高頻交易的特點
6.1.2高頻交易的挑戰與風險
6.1.3傳統高頻交易策略回顧
6.1.4機器學習在高頻交易的應用
6.1.5高頻交易中的預測建模
6.1.6量化交易框架
6.2演算法交易
6.2.1演算法交易策略的特性與優勢
6.2.2演算法交易和量化交易的區別
6.2.3製作演算法交易模型
6.3量化選股程序
6.3.1Tushare令牌初始化
6.3.2輔助函數
6.3.3保存結果
6.3.4股票詳情
6.3.5選股策略
6.3.6主程序
第7章　信用風險評估
7.1信用風險的概念與評估方法
7.1.1信用風險的基本概念
7.1.2信用評估方法
7.2人工智能在信用風險評估的應用
7.2.1傳統信用評估方法的局限性
7.2.2機器學習與信用風險評估
7.2.3風險模型的解釋性與可解釋性
7.3金融風險管理實戰：製作信貸風控模型
7.3.1讀取數據集數據
7.3.2探索性資料分析
7.3.3編碼分類變量
7.3.4數據分析
7.3.5相關性分析
7.3.6外部資料來源
7.3.7繪製成對圖
7.3.8特徵工程
7.3.9建立基線模型
7.3.10最佳化模型
7.3.11製作LightGBM模型
第8章　資產定價與交易策略優化
8.1資產定價模型概述
8.1.1常見的資產定價模型
8.1.2金融市場的非理性行為
8.2基於人工智能的資產定價方法
8.2.1傳統資產定價模型的局限性
8.2.2機器學習與資產定價
8.3交易策略優化
8.3.1交易策略的基本概念
8.3.2基於人工智能的交易策略優化
8.4股票交易策略實戰：製作股票交易策略模型
8.4.1準備環境
8.4.2準備數據
8.4.3下載、清理和預處理股票數據
8.4.4新增技術指標
8.4.5拆分資料集
8.4.6準備訓練模型環境
8.4.7訓練DDPG模型
8.4.8訓練A2C模型
8.4.9測試模型
8.4.10保存交易決策數據
8.4.11對交易策略進行模擬測試
第9章　金融市場情緒分析
9.1情緒分析的概念與方法
9.1.1情緒分析的基本概念
9.1.2金融市場情緒的重要性
9.1.3情緒分析的方法
9.2基於人工智能的金融市場情緒分析
9.2.1傳統情緒分析方法的局限性
9.2.2機器學習與情緒分析
9.3預訓練模式：BERT
9.3.1BERT模型介紹
9.3.2情緒關鍵字
9.3.3模型微調
9.4預訓練模式：FinBERT
9.4.1FinBERT模型介紹
9.4.2基於FinBERT模型的市場情緒分析系統
第10章　銀行應用大模型開發實戰
10.1銀行應用大模型基礎
10.1.1銀行應用大模型概述
10.1.2大模型在銀行業的重要性
10.2貸款預測模型
10.2.1項目背景
10.2.2資料集介紹
10.2.3數據探索
10.2.4資料預處理
10.2.5製作模型
10.2.6比較模型
10.3銀行消費者投訴處理模型
10.3.1背景介紹
10.3.2資料集預處理
10.3.3目標特徵的分佈
10.3.4探索性資料分析
10.3.5製作模型
第11章　區塊鏈與金融科技創新
11.1區塊鏈技術的概念與原理
11.1.1區塊鏈產生的背景
11.1.2區塊鏈的基本概念
11.2人工智能與區塊鏈的結合應用
11.2.1人工智能與區塊鏈的融合
11.2.2區塊鏈和大模型
11.3檢測以太坊區塊鏈中的非法帳戶
11.3.1資料集介紹
11.3.2數據預處理
11.3.3數據分析
11.3.4拆分資料集
11.3.5特徵縮放
11.3.6建構模型和超參數調優
11.3.7模型評估
11.4比特幣價格預測系統
11.4.1GreyKite介紹
11.4.2資料預處理
11.4.3創建預測
11.4.4交叉驗證
11.4.5後測試
11.4.6預測
11.4.7模型診斷
11.4.8使用LSTM訓練模型
11.4.9模型性能可視化
第12章　未來金融智能化發展趨勢
12.1人工智能在金融領域的應用前景
12.2未來金融智能化發展趨勢的展望
12.2.1智能化金融服務的普及
12.2.2區塊鏈與數碼貨幣的演進
12.2.3金融監理與法規的調整

類似商品