金融大模型開(kāi)發(fā)基礎(chǔ)與實(shí)踐

目錄
第1章　大模型基礎(chǔ)
1.1人工智能
1.1.1人工智能的發(fā)展歷程
1.1.2人工智能的研究領(lǐng)域
1.1.3人工智能對(duì)人們生活的影響
1.2機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
1.2.1機(jī)器學(xué)習(xí)
1.2.2深度學(xué)習(xí)
1.2.3機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別
1.3大模型介紹
1.3.1大模型的作用
1.3.2數(shù)據(jù)
1.3.3數(shù)據(jù)和大模型的關(guān)系
1.4人工智能與金融行業(yè)交融
1.4.1人工智能驅(qū)動(dòng)的金融創(chuàng)新
1.4.2大模型在金融行業(yè)中的應(yīng)用
第2章　大模型開(kāi)發(fā)技術(shù)棧
2.1深度學(xué)習(xí)框架
2.1.1TensorFlow
2.1.2PyTorch
2.2數(shù)據(jù)預(yù)處理與處理工具
2.2.1Pandas
2.2.2NumPy
2.3模型部署與推理
2.3.1Docker和Kubernetes
2.3.2部署平臺(tái)
2.4其他技術(shù)
2.4.1模型訓(xùn)練和調(diào)優(yōu)
2.4.2模型架構(gòu)和設(shè)計(jì)
2.4.3加速、優(yōu)化和安全性
第3章　數(shù)據(jù)預(yù)處理與特征工程
3.1數(shù)據(jù)清洗與處理
3.1.1數(shù)據(jù)質(zhì)量檢查與缺失值處理
3.1.2異常值檢測(cè)與處理
3.1.3數(shù)據(jù)重復(fù)性處理
3.2特征選擇與特征提取
3.2.1特征選擇方法
3.2.2特征提取技術(shù)
3.3數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化
3.3.1標(biāo)準(zhǔn)化與歸一化的概念
3.3.2金融模型中的標(biāo)準(zhǔn)化與歸一化例子
第4章　金融時(shí)間序列分析
4.1時(shí)間序列的基本概念
4.1.1什么是時(shí)間序列數(shù)據(jù)
4.1.2時(shí)間序列數(shù)據(jù)的特點(diǎn)
4.1.3時(shí)間序列分析在金融領(lǐng)域的應(yīng)用
4.2常用的時(shí)間序列分析方法
4.2.1移動(dòng)平均法
4.2.2自回歸模型
4.2.3自回歸移動(dòng)平均模型
4.2.4季節(jié)性自回歸集成移動(dòng)平均模型
4.2.5ARCH 和 GARCH 模型
4.2.6向量自回歸模型
4.2.7協(xié)整分析
4.2.8機(jī)器學(xué)習(xí)方法
第5章　金融風(fēng)險(xiǎn)建模與管理
5.1金融風(fēng)險(xiǎn)的概念與分類(lèi)
5.1.1金融風(fēng)險(xiǎn)的基本概念
5.1.2金融風(fēng)險(xiǎn)的分類(lèi)
5.2基于人工智能的金融風(fēng)險(xiǎn)建模方法
5.2.1傳統(tǒng)風(fēng)險(xiǎn)建模方法回顧
5.2.2機(jī)器學(xué)習(xí)在金融風(fēng)險(xiǎn)建模中的應(yīng)用
5.2.3數(shù)據(jù)驅(qū)動(dòng)的風(fēng)險(xiǎn)建模
5.3制作貴州茅臺(tái)的ARCH模型
5.3.1準(zhǔn)備數(shù)據(jù)
5.3.2制作波動(dòng)模型
5.3.3加入特征數(shù)據(jù)：市場(chǎng)指數(shù)
5.3.4制作股價(jià)預(yù)測(cè)模型
5.4信貸投資組合風(fēng)險(xiǎn)評(píng)估模擬程序
5.4.1實(shí)例介紹
5.4.2設(shè)置信貸投資組合參數(shù)和可視化
5.4.3定義風(fēng)險(xiǎn)度量和計(jì)算風(fēng)險(xiǎn)貢獻(xiàn)
5.4.4損失分布估計(jì)和可視化
第6章　高頻交易與算法交易
6.1高頻交易
6.1.1高頻交易的特點(diǎn)
6.1.2高頻交易的挑戰(zhàn)與風(fēng)險(xiǎn)
6.1.3傳統(tǒng)高頻交易策略回顧
6.1.4機(jī)器學(xué)習(xí)在高頻交易中的應(yīng)用
6.1.5高頻交易中的預(yù)測(cè)建模
6.1.6量化交易框架
6.2算法交易
6.2.1算法交易策略的特點(diǎn)和優(yōu)勢(shì)
6.2.2算法交易和量化交易的區(qū)別
6.2.3制作算法交易模型
6.3量化選股程序
6.3.1Tushare令牌初始化
6.3.2輔助函數(shù)
6.3.3保存結(jié)果
6.3.4股票詳情
6.3.5選股策略
6.3.6主程序
第7章　信用風(fēng)險(xiǎn)評(píng)估
7.1信用風(fēng)險(xiǎn)的概念與評(píng)估方法
7.1.1信用風(fēng)險(xiǎn)的基本概念
7.1.2信用評(píng)估方法
7.2人工智能在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用
7.2.1傳統(tǒng)信用評(píng)估方法的局限性
7.2.2機(jī)器學(xué)習(xí)與信用風(fēng)險(xiǎn)評(píng)估
7.2.3風(fēng)險(xiǎn)模型的解釋性與可解釋性
7.3金融風(fēng)險(xiǎn)管理實(shí)戰(zhàn)：制作信貸風(fēng)控模型
7.3.1讀取數(shù)據(jù)集數(shù)據(jù)
7.3.2探索性數(shù)據(jù)分析
7.3.3編碼分類(lèi)變量
7.3.4數(shù)據(jù)分析
7.3.5相關(guān)性分析
7.3.6外部數(shù)據(jù)源
7.3.7繪制成對(duì)圖
7.3.8特征工程
7.3.9創(chuàng)建基線(xiàn)模型
7.3.10優(yōu)化模型
7.3.11制作LightGBM模型
第8章　資產(chǎn)定價(jià)與交易策略?xún)?yōu)化
8.1資產(chǎn)定價(jià)模型概述
8.1.1常見(jiàn)的資產(chǎn)定價(jià)模型
8.1.2金融市場(chǎng)的非理性行為
8.2基于人工智能的資產(chǎn)定價(jià)方法
8.2.1傳統(tǒng)資產(chǎn)定價(jià)模型的局限性
8.2.2機(jī)器學(xué)習(xí)與資產(chǎn)定價(jià)
8.3交易策略?xún)?yōu)化
8.3.1交易策略的基本概念
8.3.2基于人工智能的交易策略?xún)?yōu)化
8.4股票交易策略實(shí)戰(zhàn)：制作股票交易策略模型
8.4.1準(zhǔn)備環(huán)境
8.4.2準(zhǔn)備數(shù)據(jù)
8.4.3下載、清理和預(yù)處理股票數(shù)據(jù)
8.4.4添加技術(shù)指標(biāo)
8.4.5拆分?jǐn)?shù)據(jù)集
8.4.6準(zhǔn)備訓(xùn)練模型環(huán)境
8.4.7訓(xùn)練DDPG模型
8.4.8訓(xùn)練A2C模型
8.4.9測(cè)試模型
8.4.10保存交易決策數(shù)據(jù)
8.4.11對(duì)交易策略進(jìn)行模擬測(cè)試
第9章　金融市場(chǎng)情緒分析
9.1情緒分析的概念與方法
9.1.1情緒分析的基本概念
9.1.2金融市場(chǎng)情緒的重要性
9.1.3情緒分析的方法
9.2基于人工智能的金融市場(chǎng)情緒分析
9.2.1傳統(tǒng)情緒分析方法的局限性
9.2.2機(jī)器學(xué)習(xí)與情緒分析
9.3預(yù)訓(xùn)練模型：BERT
9.3.1BERT模型介紹
9.3.2情感關(guān)鍵字
9.3.3模型微調(diào)
9.4預(yù)訓(xùn)練模型：FinBERT
9.4.1FinBERT模型介紹
9.4.2基于FinBERT模型的市場(chǎng)情感分析系統(tǒng)
第10章　銀行應(yīng)用大模型開(kāi)發(fā)實(shí)戰(zhàn)
10.1銀行應(yīng)用大模型基礎(chǔ)
10.1.1銀行應(yīng)用大模型概述
10.1.2大模型在銀行業(yè)的重要性
10.2貸款預(yù)測(cè)模型
10.2.1項(xiàng)目背景
10.2.2數(shù)據(jù)集介紹
10.2.3數(shù)據(jù)探索
10.2.4數(shù)據(jù)預(yù)處理
10.2.5制作模型
10.2.6比較模型
10.3銀行消費(fèi)者投訴處理模型
10.3.1背景介紹
10.3.2數(shù)據(jù)集預(yù)處理
10.3.3目標(biāo)特征的分布
10.3.4探索性數(shù)據(jù)分析
10.3.5制作模型
第11章　區(qū)塊鏈與金融科技創(chuàng)新
11.1區(qū)塊鏈技術(shù)的概念與原理
11.1.1區(qū)塊鏈產(chǎn)生的背景
11.1.2區(qū)塊鏈的基本概念
11.2人工智能與區(qū)塊鏈的結(jié)合應(yīng)用
11.2.1人工智能與區(qū)塊鏈的融合
11.2.2區(qū)塊鏈和大模型
11.3檢測(cè)以太坊區(qū)塊鏈中的非法賬戶(hù)
11.3.1數(shù)據(jù)集介紹
11.3.2數(shù)據(jù)預(yù)處理
11.3.3數(shù)據(jù)分析
11.3.4拆分?jǐn)?shù)據(jù)集
11.3.5特征縮放
11.3.6構(gòu)建模型和超參數(shù)調(diào)優(yōu)
11.3.7模型評(píng)估
11.4比特幣價(jià)格預(yù)測(cè)系統(tǒng)
11.4.1GreyKite介紹
11.4.2數(shù)據(jù)預(yù)處理
11.4.3創(chuàng)建預(yù)測(cè)
11.4.4交叉驗(yàn)證
11.4.5后測(cè)試
11.4.6預(yù)測(cè)
11.4.7模型診斷
11.4.8使用LSTM訓(xùn)練模型
11.4.9模型性能可視化
第12章　未來(lái)金融智能化發(fā)展趨勢(shì)
12.1人工智能在金融領(lǐng)域的應(yīng)用前景
12.2未來(lái)金融智能化發(fā)展趨勢(shì)的展望
12.2.1智能化金融服務(wù)的普及
12.2.2區(qū)塊鏈與數(shù)字貨幣的演進(jìn)
12.2.3金融監(jiān)管與法規(guī)的調(diào)整