金融大模型开发与应用实践
全新正版 极速发货
￥ 86.08 6.2折 ￥ 139 全新
库存7件
广东广州
认证卖家担保交易快速发货售后保障
作者张治政 著
出版社清华大学出版社
ISBN9787302672371
出版时间2024-10
装帧平装
开本其他
定价139元
货号1203454255
上书时间2024-12-02
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"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。"
目录
目录
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
内容摘要
"《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。"
— 没有更多了 —
以下为对购买帮助不大的评价