金融大模型開發(fā)基礎(chǔ)與實踐

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人工智能對人們生活的影響
1.2機器學習和深度學習
1.2.1機器學習
1.2.2深度學習
1.2.3機器學習和深度學習的區(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)動的金融創(chuàng)新
1.4.2大模型在金融行業(yè)中的應用
第2章　大模型開發(fā)技術(shù)棧
2.1深度學習框架
2.1.1TensorFlow
2.1.2PyTorch
2.2數(shù)據(jù)預處理與處理工具
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
2.4其他技術(shù)
2.4.1模型訓練和調(diào)優(yōu)
2.4.2模型架構(gòu)和設計
2.4.3加速、優(yōu)化和安全性
第3章　數(shù)據(jù)預處理與特征工程
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異常值檢測與處理
3.1.3數(shù)據(jù)重復性處理
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)標準化與歸一化
3.3.1標準化與歸一化的概念
3.3.2金融模型中的標準化與歸一化例子
第4章　金融時間序列分析
4.1時間序列的基本概念
4.1.1什么是時間序列數(shù)據(jù)
4.1.2時間序列數(shù)據(jù)的特點
4.1.3時間序列分析在金融領(lǐng)域的應用
4.2常用的時間序列分析方法
4.2.1移動平均法
4.2.2自回歸模型
4.2.3自回歸移動平均模型
4.2.4季節(jié)性自回歸集成移動平均模型
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機器學習方法
第5章　金融風險建模與管理
5.1金融風險的概念與分類
5.1.1金融風險的基本概念
5.1.2金融風險的分類
5.2基于人工智能的金融風險建模方法
5.2.1傳統(tǒng)風險建模方法回顧
5.2.2機器學習在金融風險建模中的應用
5.2.3數(shù)據(jù)驅(qū)動的風險建模
5.3制作貴州茅臺的ARCH模型
5.3.1準備數(shù)據(jù)
5.3.2制作波動模型
5.3.3加入特征數(shù)據(jù)：市場指數(shù)
5.3.4制作股價預測模型
5.4信貸投資組合風險評估模擬程序
5.4.1實例介紹
5.4.2設置信貸投資組合參數(shù)和可視化
5.4.3定義風險度量和計算風險貢獻
5.4.4損失分布估計和可視化
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
6.1.2高頻交易的挑戰(zhàn)與風險
6.1.3傳統(tǒng)高頻交易策略回顧
6.1.4機器學習在高頻交易中的應用
6.1.5高頻交易中的預測建模
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和優(yōu)勢
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　信用風險評估
7.1信用風險的概念與評估方法
7.1.1信用風險的基本概念
7.1.2信用評估方法
7.2人工智能在信用風險評估中的應用
7.2.1傳統(tǒng)信用評估方法的局限性
7.2.2機器學習與信用風險評估
7.2.3風險模型的解釋性與可解釋性
7.3金融風險管理實戰(zhàn)：制作信貸風控模型
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繪制成對圖
7.3.8特征工程
7.3.9創(chuàng)建基線模型
7.3.10優(yōu)化模型
7.3.11制作LightGBM模型
第8章　資產(chǎn)定價與交易策略優(yōu)化
8.1資產(chǎn)定價模型概述
8.1.1常見的資產(chǎn)定價模型
8.1.2金融市場的非理性行為
8.2基于人工智能的資產(chǎn)定價方法
8.2.1傳統(tǒng)資產(chǎn)定價模型的局限性
8.2.2機器學習與資產(chǎn)定價
8.3交易策略優(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優(yōu)化
8.4股票交易策略實戰(zhàn)：制作股票交易策略模型
8.4.1準備環(huán)境
8.4.2準備數(shù)據(jù)
8.4.3下載、清理和預處理股票數(shù)據(jù)
8.4.4添加技術(shù)指標
8.4.5拆分數(shù)據(jù)集
8.4.6準備訓練模型環(huán)境
8.4.7訓練DDPG模型
8.4.8訓練A2C模型
8.4.9測試模型
8.4.10保存交易決策數(shù)據(jù)
8.4.11對交易策略進行模擬測試
第9章　金融市場情緒分析
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情緒分析
9.2.1傳統(tǒng)情緒分析方法的局限性
9.2.2機器學習與情緒分析
9.3預訓練模型：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預訓練模型：FinBERT
9.4.1FinBERT模型介紹
9.4.2基于FinBERT模型的市場情感分析系統(tǒng)
第10章　銀行應用大模型開發(fā)實戰(zhàn)
10.1銀行應用大模型基礎(chǔ)
10.1.1銀行應用大模型概述
10.1.2大模型在銀行業(yè)的重要性
10.2貸款預測模型
10.2.1項目背景
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)預處理
10.2.5制作模型
10.2.6比較模型
10.3銀行消費者投訴處理模型
10.3.1背景介紹
10.3.2數(shù)據(jù)集預處理
10.3.3目標特征的分布
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檢測以太坊區(qū)塊鏈中的非法賬戶
11.3.1數(shù)據(jù)集介紹
11.3.2數(shù)據(jù)預處理
11.3.3數(shù)據(jù)分析
11.3.4拆分數(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模型評估
11.4比特幣價格預測系統(tǒng)
11.4.1GreyKite介紹
11.4.2數(shù)據(jù)預處理
11.4.3創(chuàng)建預測
11.4.4交叉驗證
11.4.5后測試
11.4.6預測
11.4.7模型診斷
11.4.8使用LSTM訓練模型
11.4.9模型性能可視化
第12章　未來金融智能化發(fā)展趨勢
12.1人工智能在金融領(lǐng)域的應用前景
12.2未來金融智能化發(fā)展趨勢的展望
12.2.1智能化金融服務的普及
12.2.2區(qū)塊鏈與數(shù)字貨幣的演進
12.2.3金融監(jiān)管與法規(guī)的調(diào)整