作者：[德]伊夫·希尔皮斯科（Yves Hilpisch）
出版时间：2022年
内容简介
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。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。第一部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。
作者简介
伊夫·希尔皮斯科（Yves Hilpisch），金融数学博士，Python Quants公司创始人兼CEO，致力于普及人工智能、算法交易等相关技术在金融数据中的应用。此外，他还创建了AI Machine平台，提供人工智能算法交易策略的标准化部署。伊夫是国际量化投资分析师认证（CQF）讲师，讲授计算金融学、机器学习和算法交易。他另著有《Python金融大数据分析》。 【译者介绍】 石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。 余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评估研究中心研究员，发表论文40余篇，开发大数据算法获国家发明专利授权1项，曾参与多项人工智能产品研发工作。 李煜鑫，上海外国语大学副教授，硕士生导师；英国华威大学特聘研究员，博士生导师；英国约克大学经济学院博士；在国内外从事金融学相关研究近20年，在国内外核心期刊上发表论文30余篇，撰写了多部专著。
目录
本书赞誉
前言
排版约定
使用示例代码
O'Reilly 在线学习平台（O'Reilly Online Learning）
联系我们
致谢
更多信息
第一部分 机器智能
第 1 章 人工智能
1.1 算法
1.2 神经网络
1.3 数据的重要性
1.4 结论
第 2 章 超级智能
2.1 成功故事
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
2.5 智能爆炸
2.6 目标和控制
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
3.2 预期效用理论
3.3 均值−方差投资组合理论
3.4 资本资产定价模型
3.5 套利定价理论
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
4.4 重新审视规范性理论
4.5 揭示中心假设
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
8.6 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
11.6 结论
11.7 Python 代码
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
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.3 浅层神经网络
附录 B 神经网络类
B.1 激活函数
B.2 简单神经网络
B.3 浅层神经网络
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
在线试读：
本章介绍人工智能（artificial intelligence，AI）领域的一般概念、思想和定义，以便于读者后续的阅读。此外，本章还为不同类型的主流学习算法提供了可以直接使用的示例。1.1 节从广阔的“算法”视角，对人工智能语境下的数据类型、学习类型和问题类型进行分类。本章还会介绍无监督学习和强化学习的相关示例。从 1.2 节开始，我们将直接进入神经网络的世界。神经网络不仅是本书后几章内容的核心基础，而且已被证明是人工智能领域目前最强大的算法之一。1.3 节会讨论数据量和数据多样性在人工智能领域中的重要性。
1.1 算法
本节介绍与本书相关的人工智能基本概念，还会讨论与人工智能这一术语相关的数据类型、学习类型、问题类型和方法类型。Alpaydin（2016）为本节中简略覆盖的各个主题提供了非正式的介绍，以及许多示例。
1.1.1 数据类型
数据通常有两个主要组成部分。
特征数据
特征数据（或称输入数据）是输入到算法中的数据。举例来说，在金融领域，特征数据可以是潜在债务人的收入和储蓄。
标签数据
标签数据（或称输出数据）是需要学习的算法输出，比如可以利用监督学习算法来学习如何通过特征数据计算出给定的标签数据。在金融领域，标签数据可以是一个潜在借款方债务人的信誉度。
1.1.2 学习类型
学习算法主要有以下 3 类。
……
金融人工智能用Python实现AI量化交易pdf下载
