金融人工智慧：用Python實現AI量化交易

《金融人工智慧：用Python實現AI量化交易》是一本2022年人民郵電出版社出版的圖書，作者是[德] 伊夫·希爾皮斯科（Yves Hilpisch）。

基本介紹

• 中文名：金融人工智慧：用Python實現AI量化交易
• 作者：[德] 伊夫·希爾皮斯科（Yves Hilpisch）
• 譯者：石磊磊，余宇新，李煜鑫
• 語言：中文
• 出版時間：2022年8月
• 出版社：人民郵電出版社
• 頁數：372 頁
• ISBN：9787115594556
• 開本：16 開
• 裝幀：平裝
• 版次：1 

內容簡介

本書通過Python示例介紹人工智慧技術在金融數據分析中的套用。你將了解如何運用神經網路、強化學習等深度學習技術預測金融市場。本書分為六大部分。第一部分介紹人工智慧算法的核心概念，包括監督學習和神經網路，並描繪超級人工智慧願景。第二部分討論機器學習技術在金融市場中的套用。第三部分更進一步，討論如何利用神經網路和強化學習技術解決金融市場中的統計失效問題。第四部分詳述如何利用算法交易解決統計失效問題。第五部分展望未來，探討人工智慧會如何改變金融業。第六部分給出以Python實現的神經網路，可用於時間序列預測。

作者簡介

伊夫.希爾皮斯科（Yves Hilpisch），金融數學博士，Python Quants公司創始人兼CEO，致力於普及人工智慧、算法交易等相關技術在金融數據中的套用。此外，他還創建了AI Machine平台，提供人工智慧算法交易策略的標準化部署。伊夫是國際量化投資分析師認證（CQF）講師，講授計算金融學、機器學習和算法交易。他另著有《Python金融大數據分析》。

【譯者介紹】

石磊磊，在人工智慧領域深耕20餘年，曾任職於螞蟻金服、微軟等國內外知名公司，主導了多個金融模型的開發，服務於全球數億設備，帶領團隊研發了工業級實時動態圖風控系統，在金融風險管理和量化交易方面有豐富的研究經驗和套用經驗。

余宇新，上海外國語大學副教授，金融大數據中心執行主任，上海市創新政策評估研究中心研究員，發表論文40餘篇，開發大數據算法獲國家發明專利授權1項，曾參與多項人工智慧產品研發工作。

李煜鑫，上海外國語大學副教授，碩士生導師；英國華威大學特聘研究員，博士生導師；英國約克大學經濟學院博士；在國內外從事金融學相關研究近20年，在國內外核心期刊上發表論文30餘篇，撰寫了多部專著。

圖書目錄

前言 xiii

第 一部分　機器智慧型

第 1 章　人工智慧 3

1．1　算法 3

1．1．1　數據類型 3

1．1．2　學習類型 4

1．1．3　任務類型 7

1．1．4　方法類型 7

1．2　神經網路 8

1．2．1　OLS回歸 8

1．2．2　神經網路估計 12

1．2．3　神經網路分類 17

1．3　數據的重要性 19

1．3．1　小數據集 19

1．3．2　更大的數據集 22

1．3．3　大數據 24

1．4　結論 25

第 2 章　超級智慧型 26

2．1　成功故事 27

2．1．1　雅達利（Atari） 27

2．1．2　圍棋（Go） 32

2．1．3　西洋棋（Chess） 33

2．2　硬體的重要性 35

2．3　智慧型的形式 36

2．4　通往超級智慧型的途徑 37

2．4．1　網路和組織 38

2．4．2　生物增強 38

2．4．3　腦機混合 38

2．4．4　全腦模擬 39

2．4．5　人工智慧 39

2．5　智慧型爆炸 40

2．6　目標和控制 41

2．6．1　超級智慧型和目標 41

2．6．2　超級智慧型和控制 42

2．7　潛在的結果 43

2．8　結論 45

第二部分　金融和機器學習

第 3 章　規範性金融理論 49

3．1　不確定性與風險 50

3．1．1　定義 50

3．1．2　數字模擬例子 51

3．2　預期效用理論 53

3．2．1　假設和結論 53

3．2．2　數值例子 55

3．3　均值 方差投資組合理論 57

3．3．1　假設和結論 57

3．3．2　數值例子 59

3．4　資本資產定價模型 67

3．4．1　假設和結論 67

3．4．2　數值例子 69

3．5　套利定價理論 74

3．5．1　假設和結論 74

3．5．2　數值例子 75

3．6　結論 77

第 4 章　數據驅動的金融學 78

4．1　科學方法 78

4．2　金融計量經濟學與回歸 79

4．3　數據可用性 82

4．3．1　可程式API 82

4．3．2　結構化歷史數據 83

4．3．3　結構化流數據 85

4．3．4　非結構化歷史數據 86

4．3．5　非結構化流數據 88

4．3．6　非傳統數據 89

4．4　重新審視規範性理論 93

4．4．1　預期效用與現實 93

4．4．2　均值–方差投資組合理論 96

4．4．3　資本資產定價模型 103

4．4．4　套利定價理論 107

4．5　揭示中心假設 115

4．5．1　常態分配收益率 115

4．5．2　線性關係 124

4．6　結論 126

4．7　Python代碼段 126

第 5 章　機器學習 130

5．1　學習 131

5．2　數據 131

5．3　成功 133

5．4　容量 137

5．5　評估 140

5．6　偏差和方差 145

5．7　交叉驗證 147

5．8　結論 149

第 6 章　人工智慧優先的金融 150

6．1　有效市場 150

6．2　基於收益數據的市場預測 155

6．3　基於更多特徵的市場預測 161

6．4　日內市場預測 166

6．5　結論 167

第三部分　統計失效

第 7 章　密集神經網路 171

7．1　數據 171

7．2　基線預測 173

7．3　歸一化 177

7．4　暫退 179

7．5　正則化 181

7．6　裝袋 184

7．7　最佳化器 185

7．8　結論 186

第 8 章　循環神經網路 187

8．1　第 一個示例 188

8．2　第二個示例 191

8．3　金融價格序列 194

8．4　金融收益率序列 197

8．5　金融特徵 199

8．5．1　估計 199

8．5．2　分類 200

8．5．3　深度RNN 201

8．6　結論 202

第 9 章　強化學習 203

9．1　基本概念 204

9．2　OpenAI Gym 205

9．3　蒙特卡羅智慧型體 208

9．4　神經網路智慧型體 210

9．5　DQL智慧型體 212

9．6　簡單的金融沙箱 216

9．7　更好的金融沙箱 220

9．8　FQL智慧型體 222

9．9　結論 227

第四部分　算法交易

第 10 章　向量化回測 231

10．1　基於SMA策略的回測 232

10．2　基於DNN的每日策略的回測 237

10．3　基於DNN的日內策略的回測 243

10．4　結論 248

第 11 章 風險管理 249

11．1　交易機器人 250

11．2　向量化回測 253

11．3　基於事件的回測 255

11．4　風險評估 261

11．5　風控措施回測 264

11．5．1　止損 266

11．5．2　跟蹤止損 268

11．5．3　止盈 269

11．6　結論 272

11．7　Python代碼 273

11．7．1　金融環境 273

11．7．2　交易機器人 275

11．7．3　回測基類 279

11．7．4　回測類 281

第 12 章　執行與部署 284

12．1　Oanda賬戶 285

12．2　數據檢索 285

12．3　訂單執行 289

12．4　交易機器人 294

12．5　部署 300

12．6　結論 304

12．7　Python代碼 304

12．7．1　Oanda環境 304

12．7．2　向量化回測 307

12．7．3　Oanda交易機器人 308

第五部分　展望

第 13 章　基於人工智慧的競爭 313

13．1　人工智慧和金融 313

13．2　標準的缺失 315

13．3　教育和培訓 316

13．4　資源爭奪 317

13．5　市場影響 318

13．6　競爭場景 319

13．7　風險、監管和監督 320

13．8　結論 322

第 14 章　金融奇點 323

14．1　概念和定義 323

14．2　風險是什麼 324

14．3　通往金融奇點的途徑 327

14．4　正交技能和資源 328

14．5　之前和之後的情景 328

14．6　星際迷航還是星球大戰 329

14．7　結論 329

第六部分　附錄

附錄A　互動式神經網路 333

附錄B　神經網路類 348

附錄C　卷積神經網路 360

參考文獻 366