金融中的人工智能

第 1部分 金融業(yè)人工智能概述
第　1章 人工智能在金融業(yè)中的重要性　3
1．1　什么是人工智能　4
1．1．1　機器是如何學習的　5
1．1．2　實施人工智能的軟件要求　6
1．1．3　實施人工智能的硬件要求　9
1．1．4　建模方法論—CRISP-DM　11
1．2　了解金融業(yè)　12
1．2．1　金融業(yè)相對于全球經(jīng)濟的規(guī)模　14
1．2．2　金融業(yè)的客戶　16
1．3　金融業(yè)務可獲得性的重要性　17
1．3．1　開源軟件和數(shù)據(jù)　18
1．3．2　我們?yōu)槭裁葱枰斯ぶ悄堋?9
1．4　人工智能在金融業(yè)的應用　19
1．5　本章小結　22
第　2部分 機器學習算法和實例
第　2章 時間序列分析　25
2．1　了解時間序列分析　26
2．2　M2M通信　28
2．2．1　商業(yè)銀行業(yè)務簡介　29
2．2．2　M2M通信在商業(yè)銀行業(yè)務中的作用　29
2．3　金融市場的基本概念　30
2．4　人工智能模型　33
2．4．1　時間序列模型ARIMA模型簡介　34
2．4．2　神經(jīng)網(wǎng)絡簡介—準確預測需求的秘訣　35
2．5　使用時間序列分析進行需求預測　38
2．5．1　下載數(shù)據(jù)　38
2．5．2　對數(shù)據(jù)進行預處理　39
2．5．3　通過擬合數(shù)據(jù)來建立模型　40
2．6　基于Keras的神經(jīng)網(wǎng)絡在大宗商品采購中的應用　41
2．7　本章小結　49
第3章　使用強化學習自動化商業(yè)銀行貸款融資　51
3．1　分解商業(yè)銀行的業(yè)務　52
3．1．1　主要風險類型　53
3．1．2　資產(chǎn)和負債管理　53
3．1．3　利率計算　54
3．1．4　信用評級　55
3．2　人工智能建模技術　55
3．2．1　蒙特卡羅模擬　56
3．2．2　邏輯回歸模型　56
3．2．3　決策樹　56
3．2．4　神經(jīng)網(wǎng)絡　57
3．2．5　強化學習　58
3．2．6　深度學習　59
3．3　模型性能的測量指標　60
3．3．1　指標1—ROC曲線　60
3．3．2　指標2—混淆矩陣　62
3．3．3　指標3—分類報告　62
3．4　構建破產(chǎn)風險預測模型　63
3．4．1　獲取數(shù)據(jù)　63
3．4．2　構建模型　64
3．5　使用強化學習自動化貸款融資　68
3．5．1　了解利益相關者　69
3．5．2　得出解決方案　70
3．6　本章小結　75
第4章　資本市場決策自動化　77
4．1　了解投資銀行業(yè)務的愿景　78
4．2　財務領域的基本概念　79
4．2．1　財務報表　79
4．2．2　優(yōu)化公司最佳資本結構的理論　81
4．2．3　測量項目價值的全要素生產(chǎn)率　83
4．2．4　一個項目的現(xiàn)金流模式　84
4．2．5　預測財務報表條目　86
4．3　人工智能建模思想　87
4．3．1　線性優(yōu)化　88
4．3．2　線性回歸　88
4．4　尋找最佳資本結構　89
4．5　使用宏觀經(jīng)濟場景來提供財務表現(xiàn)預測　95
4．6　本章小結　97
第5章　預測投資銀行（券商）業(yè)務　99
5．1　投資銀行（券商）業(yè)務基礎知識　100
5．1．1　投資銀行在IPO中的工作　100
5．1．2　股票分類—股票風格　101
5．1．3　投資者分類　101
5．1．4　合并和收購　101
5．1．5　人工智能在并購中的應用　103
5．1．6　上市公司的申報義務　104
5．2　了解數(shù)據(jù)技術　104
5．3　聚類模型　105
5．4　新發(fā)行證券的自動辛迪加融資　106
5．4．1　解決問題的步驟　107
5．4．2　構建相似度模型　108
5．4．3　構建投資者聚類模型　108
5．4．4　構建股票聚類模型　110
5．5　識別收購者和目標公司　115
5．6　本章小結　119
第6章　使用特雷諾·布萊克模型和ResNet自動化投資組合管理　121
6．1　財務概念　122
6．1．1　資本資產(chǎn)定價模型中的alpha和beta回報　122
6．1．2　已實現(xiàn)和未實現(xiàn)投資回報　122
6．1．3　投資政策聲明　122
6．1．4　資產(chǎn)類別　124
6．1．5　投資行業(yè)的參與者　124
6．1．6　基準—比較的基線　125
6．1．7　投資者是要尋求回報的　125
6．1．8　趨勢跟蹤基金　126
6．1．9　交易策略　127
6．2　理解馬科維茨的均值-方差組合模型　127
6．3　探索特雷諾·布萊克模型　130
6．4　基于特雷諾·布萊克模型構建投資組合　134
6．5　預測證券的走勢　140
6．6　本章小結　148
第7章　感知市場情緒，在賣方進行算法營銷　149
7．1　理解情緒分析　150
7．2　利用情緒分析感知市場需求　150
7．3　基于Neo4j的關系網(wǎng)絡構建與分析　157
7．4　本章小結　164
第8章　使用API構建個人財富顧問機器人　165
8．1　管理客戶的數(shù)字數(shù)據(jù)　166
8．2　開放銀行項目　167
8．2．1　手機App—使用Flask和MongoDB構建API　168
8．2．2　了解IPS　169
8．2．3　行為分析—支出分析　170
8．2．4　通過API對外提供人工智能服務　170
8．3　文檔布局分析　170
8．3．1　文檔布局分析步驟　171
8．3．2　使用Gensim建立主題模型　172
8．3．3　Word2Vec的向量維數(shù)　172
8．4　使用開放銀行API預測現(xiàn)金流　173
8．5　使用發(fā)票實體識別記錄日常開支　178
8．6　本章小結　181
第9章　客戶終身財富的大規(guī)模定制　183
9．1　財富工具的金融概念　184
9．2　集成學習　185
9．3　預測客戶反應　185
9．4　構建聊天機器人為客戶提供全天候服務　187
9．5　基于NLP和圖的知識管理　189
9．5．1　基于圖數(shù)據(jù)庫的知識檢索　189
9．5．2　具體實施　189
9．6　本章小結　194
第　10章 現(xiàn)實工作中的注意事項　195
10．1　本書所涵蓋技術的摘要　196
10．2　對金融專業(yè)人士、監(jiān)管機構和政府的影響　197
10．2．1　對金融專業(yè)人士的影響　197
10．2．2　對監(jiān)管機構的影響　198
10．2．3　對政府的影響　198
10．3　如何提取特征并獲取業(yè)務領域知識　199
10．4　與人工智能部署相關的IT生產(chǎn)環(huán)境考慮因素　200
10．5　去哪里尋找更多的用例　201
10．6　哪些領域需要更多的實際研究　201
10．7　本章小結　202