人工智能在信用债投资领域的应用(Python语言实践)
全新正版 极速发货
￥ 43.8 6.3折 ￥ 69 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者崔玉征
出版社清华大学
ISBN9787302513056
出版时间2019-01
装帧其他
开本其他
定价69元
货号30329289
上书时间2024-08-11
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
崔玉征：金融风险管理师（FRM）；哈尔滨工业大学自动化专业工学学士，中国科学院模式识别与智能系统专业工学硕士，香港中文大学商学院金融MBA；先后工作于穆迪、平安证券、安信证券，主要从事信用债投资研究及信用风险的计量和管理工作；2015年初被评为“深圳市高层次人才”，享受高层次人才补贴。
目录
本书共分三部分，第一部分主要讲述机器学习、深度学习和人工智能的基本方法，并给出了使用基于TensorFlow后台的Keras库做深度学习的实践案例；第二部分主要讲述做信用债投资面临的困难，并给出了实用的解决方案；第三部分主要讲述解决做信用债投资的困难的实用方法，并给出了全部的Python源代码。
本书适合在银行、证券、保险、基金等金融机构从事对公信贷和债券投资等工作的相关从业者阅读。
内容摘要
\"本书共分三部分，第一部分主要讲述机器学习、深度学习和人工智能的基本方法，并给出了使用基于TensorFlow后台的Keras库做深度学习的实践案例；第二部分主要讲述做信用债投资面临的困难，并给出了实用的解决方案；第三部分主要讲述解决做信用债投资的困难的实用方法，并给出了全部的Python源代码。
本书适合在银行、证券、保险、基金等金融机构从事对公信贷和债券投资等工作的相关从业者阅读。\"
精彩内容
第3章基于TensorFlow用Keras做深度学习流行的深度学习框架很多，如TensorFlow、Caffe和Theano等。但这些框架都是面向深度学习开发的专业人士的，用这些框架做深度学习需要非常了解底层逻辑，且需要编写大量的代码才能实现。这对非计算机编程相关专业科班出身的金融从业人员来说，是个很大的挑战，且短时间内很难弥补。本书介绍的深度学习库Keras是一个基于TensorFlow的API，它能够使我们快速实现金融模型的思维，且易于编程实现。
3.1Keras简介Keras是由谷歌软件工程师FrancoisChollet开发的、基于TensorFlow的深度学习库，具有较为直观的API。目前，Keras库已经成为TensorFlow的默认API。Keras库强调极简主义——只需要几行代码就能构建一个神经网络，其设计原则如下。
1.用户友好Keras是神经网络的高层API，它充分考虑用户的使用体验，在极大减少用户工作量的前提下，使用户非常方便地构建不同层次深度的定制化神经网络模型。
2.模块化使用Keras构建深度学习模型时，可将该模型理解为一个多层的序列或数据的运算图，这些完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法等都是独立的模块，可以使用它们来构建自己的模型。
3.易扩展性添加新模块（或网络层、神经元等）非常容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
为了说明使用Keras进行深度学习模型开发的便利性，此处以一个简单的示例说明如何使用Keras库做深度学习模型开发。该示例以上证50成分股的收盘价来训练模型，并使用训练得到的深度学习模型计算上证50指数的预测收盘价，最后绘图表示上证50实际收盘价和预测收盘价的曲线，示例代码如下所示。 importpandasaspdimportnumpyasnpfromkeras.modelsimportSequentialfromkeras.layers.coreimportDense,Activation,Dropoutfromsklearn.preprocessingimportNormalizer,StandardScalerimportmatplotlib.pyplotaspltfromWindPyimportw#####获取数据并生成数据集#######获取上证50成分股,并获取这些股票从2010年1月1日到#2017年12月31日所有交易日的收盘价和在此期间上证50#的收盘价#目标:用上证50成分股的收盘价预测上证50指数的收盘价w.start()#本段代码需要安装Wind资讯金融终端和WindPy插件才能运行wsetdata=w.wset(\"sectorconstituent\",\"date=2018-02-06;sectorid=1000000087000000\")#获取上证50成分股的证券代码
code_list=wsetdata.Data\\[1\\]code_list.append('000016.SH')codes=code_list\\[0\\]forcodeincode_list\\[1:\\]:codes=codes+','+codew_data=w.wsd(codes,\"close\",\"2010-01-01\",\"2017-12-31\",\"Fill=Previous\")#获取所有成分股和上证50指数的收盘价close_data=pd.DataFrame(w_data.Data,index=w_data.Codes,columns=w_data.Times)close_data=close_data.Tall_data=close_data.dropna(axis=1,how='any')#剔除存在nan的列all_data.index.name=\"Date\"all_data.to_csv(\"sz50_all_data.csv\")#将获取的数据集写入csv文件#####获取数据并生成数据集######df=pd.read_csv('sz50_all_data.csv',index_col='Date')df.index=pd.to_datetime(df.index)df=df.resample('W-MON').last()df=df.dropna(axis=0,how='any')#剔除存在nan的行stox=list(df.columns)stox.remove('000016.SH')ind='000016.SH'df\\['ret'\\]=df\\['000016.SH'\\].pct_change().fillna(0.1)#计算上证50指数当日收盘价相对前一收盘价的涨跌百分比,第一个值为0.1df.loc\\[:,'new_ret'\\]=df.apply(lambdar:0.1ifr\\['ret'\\]<-0.08elser\\['ret'\\],axis=1)df\\['new_index'\\]=df.loc\\[df.index\\[0\\],'000016.SH'\\]foriinrange(len(df.index)):ifi>0:df.loc\\[df.index\\[i\\],'new_index'\\]=df.loc\\[df.index\\[i-1\\],'new_index'\\]*(1.0+df.loc\\[df.index\\[i\\],'new_ret'\\])#将所有数据,按照列标准化en=StandardScaler()df\\['000016.SH'\\]=en.fit_transform(np.array(df\\['000016.SH'\\]).reshape(-1,1))forsinstox:en1=StandardScaler()df\\[s\\]=en1.fit_transform(np.array(df\\[s\\]).reshape(-1,1))df\\['new_index'\\]=en.transform(np.array(df\\['new_index'\\]).reshape(-1,1))train=df\\[df.index
10个输出节点model.add(Activation('tanh'))model.add(Dropout(0.1))model.add(Dense(output_dim=5,input_dim=10))#第三层,10个输入、
5个输出节点model.add(Activation('tanh'))model.add(Dropout(0.1))model.add(Dense(output_dim=1,input_dim=5))#第四层,5个输入、
1个输出节点model.compile(loss='mean_squared_error',optimizer='rmsprop')#编译模型model.fit(train_x,train_y,nb_epoch=2000,batch_size=50,verbose=1)#拟合模型#使用模型计算上证50指数收盘价df\\['pred'\\]=0.0df=df\\[df.index
— 没有更多了 —
以下为对购买帮助不大的评价