金融大模型開(kāi)發(fā)與應(yīng)用實(shí)踐

第 1 章  大 模 型 基 礎(chǔ)  1
1.1     人 工 智 能   1
1.1.1    人工智能的發(fā)展歷程  1
1.1.2    人工智能的研究領(lǐng)域  2
1.1.3    人工智能對(duì)人們生活的影響   3
1.2     機(jī)器學(xué)習(xí)和深度學(xué)習(xí)  4
1.2.1    機(jī)器學(xué)習(xí) 4
1.2.2    深度學(xué)習(xí) 5
1.2.3    機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別  5
1.3      大 模 型 介 紹  7
1.3.1    大模型的作用  7
1.3.2    數(shù) 據(jù)  8
1.3.3    數(shù)據(jù)和大模型的關(guān)系  9
1.4    人工智能與金融行業(yè)交融  9
1.4.1    人工智能驅(qū)動(dòng)的金融創(chuàng)新   10
1.4.2    大模型在金融中的應(yīng)用   11
第 2 章  數(shù) 據(jù) 預(yù) 處 理 與 特 征 工 程  12
2.1     數(shù) 據(jù) 清 洗 與 處 理  12
2.1.1   數(shù)據(jù)質(zhì)量檢查與缺失值處理   12
2.1.2   異常值檢測(cè)與處理  15
2.1.3   數(shù)據(jù)重復(fù)性處理  18
2.2     特征選擇與提取  20
2.2.1   特征選擇方法  20
2.2.2    特征提取技術(shù)  25
2.3     數(shù)據(jù)標(biāo)準(zhǔn)化與歸 一 化  34
2.3.1    標(biāo)準(zhǔn)化與歸一化的概念   34
2.3.2    金融模型中的標(biāo)準(zhǔn)化與歸一化實(shí)例   35
第 3 章  金 融 時(shí) 間 序 列 分 析  37
3.1     時(shí)間序列的基本概念  37
3.1.1   什么是時(shí)間序列數(shù)據(jù)   37
3.1.2    時(shí)間序列數(shù)據(jù)的特點(diǎn)   38
3.1.3    時(shí)間序列分析在金融領(lǐng)域的應(yīng)用   39
3.2     常用的時(shí)間序列分析方法   40
3.2.1    移動(dòng)平均法  40
3.2.2   自回歸模型   42
3.2.3   自回歸移動(dòng)平均模型   44
3.2.4   季節(jié)性自回歸集成移動(dòng)平均模型   47
3.2.5   ARCH 和 GARCH 模型  50
3.2.6    向量自回歸模型   53
3.2.7    協(xié)整合分析  56
3.2.8   機(jī)器學(xué)習(xí)方法   59
第 4 章 金 融 風(fēng) 險(xiǎn) 建 模 與 管 理  65
4.1    金融風(fēng)險(xiǎn)的基本概念  65
4.2     基于人工智能的金融風(fēng)險(xiǎn)建模方法  6
4.2.1    傳統(tǒng)風(fēng)險(xiǎn)建模方法回顧  66
4.2.2    機(jī)器學(xué)習(xí)在金融風(fēng)險(xiǎn)建模中的應(yīng)用   67
4.2.3    數(shù)據(jù)驅(qū)動(dòng)的風(fēng)險(xiǎn)建模   68
4.3     制作貴州茅臺(tái)的 ARCH  模 型  69
4.3.1    準(zhǔn)備數(shù)據(jù)  69
4.3.2    制作波動(dòng)模型   70
4.3.3   加入特征數(shù)據(jù)：市場(chǎng)指數(shù)   72
4.3.4    制作股價(jià)預(yù)測(cè)模型   78
4.4     信貸投資組合風(fēng)險(xiǎn)評(píng)估模擬程序  81
4.4.1   實(shí)例介紹  81
4.4.2    設(shè)置信貸投資組合參數(shù)和可視化   81
4.4.3   定義風(fēng)險(xiǎn)度量和計(jì)算風(fēng)險(xiǎn)貢獻(xiàn)   83
4.4.4   損失分布估計(jì)和可視化   89
第 5 章  高 頻 交 易 與 量 化 交 易  100
5.1     高 頻 交 易 100
5.1.1   高頻交易的特點(diǎn)  100
5.1.2   高頻交易的挑戰(zhàn)與風(fēng)險(xiǎn)  101
5.1.3   傳統(tǒng)高頻交易策略回顧  102
5.1.4   機(jī)器學(xué)習(xí)在高頻交易中的應(yīng)用  102
5.1.5    高頻交易中的預(yù)測(cè)建模   105
5.1.6   量化交易框架  110
5.2     量 化 選 股 程 序  111
5.2.1   Tushare 令牌初始化   111
5.2.2   輔助函數(shù)  111
5.2.3   保存結(jié)果  113
5.2.4   股票詳情  113
5.2.5   選股策略  113
5.2.6   主程序  117
第 6 章  資 產(chǎn) 定 價(jià) 與 交 易 策 略 優(yōu) 化   119
6.1     資產(chǎn)定價(jià)模型概述   119
6.1.1   常見(jiàn)的資產(chǎn)定價(jià)模型  119
6.1.2   金融市場(chǎng)的非理性行為  122
6.2     基于人工智能的資產(chǎn)定價(jià)方法   123
6.2.1   傳統(tǒng)資產(chǎn)定價(jià)模型的局限性  123
6.2.2   機(jī)器學(xué)習(xí)與資產(chǎn)定價(jià)   124
6.3      交 易 策 略 優(yōu) 化  129
6.3.1   交易策略的基本概念  129
6.3.2   基于人工智能的交易策略優(yōu)化  130
6.4    股票交易策略實(shí)戰(zhàn)：制作股票交易策略模型  134
6.4.1   準(zhǔn)備環(huán)境  134
6.4.2    準(zhǔn)備數(shù)據(jù)  135
6.4.3   下載、清理和預(yù)處理股票數(shù)據(jù)  136
6.4.4   添加技術(shù)指標(biāo)  137
6.4.5   拆分?jǐn)?shù)據(jù)集  138
6.4.6   準(zhǔn)備訓(xùn)練模型環(huán)境  140
6.4.7    訓(xùn) 練DDPG 模型  141
6.4.8   訓(xùn)練 A2C 模型  144
6.4.9   測(cè)試模型  146
6.4.10    保存交易決策數(shù)據(jù)   147
6.4.11   對(duì)交易策略進(jìn)行模擬測(cè)試  149
6.5     股票交易策略實(shí)戰(zhàn)：制作美股交易策略模型   150
6.5.1   項(xiàng)目介紹   150
6.5.2   準(zhǔn)備環(huán)境  151
6.5.3   準(zhǔn)備數(shù)據(jù)   151
6.5.4   探索性數(shù)據(jù)分析   155
6.5.5   收盤價(jià)可視化  159
6.5.6   波動(dòng)性(收益率)分析  161
6.5.7    使用有效前沿技術(shù)優(yōu)化投資組合  168
6.5.8   投資組合模擬  174
6.5.9   投資組合可視化  177
6.5.10    結(jié) 論  179
第 7 章  金 融 市 場(chǎng) 情 緒 分 析   181
7.1    情緒分析的概念與方法  181
7.1.1   情緒分析的基本概念  181
7.1.2   金融市場(chǎng)情緒的重要性  182
7.1.3    情緒分析的方法  183
7.2    基于人工智能的金融市場(chǎng)情緒分析  188
7.2.1   傳統(tǒng)情緒分析方法的局限性   188
7.2.2   機(jī)器學(xué)習(xí)與情緒分析  189
7.3     預(yù) 訓(xùn) 練 模 型 ：BERT     190
7.3.1   BERT 模型介紹  190
7.3.2   情感關(guān)鍵字  192
7.3.3   模型微調(diào)  194
7.4     預(yù) 訓(xùn) 練 模 型 ：FinBERT     197
7.4.1   FinBERT 模型介紹  197
7.4.2   基于 FinBERT 模型的市場(chǎng)情感分析系統(tǒng)  197
第  8 章  區(qū) 塊 鏈 與 金 融 科 技 創(chuàng) 新  210
8.1     區(qū)塊鏈技術(shù)的概念與原理  210
8.1.1    區(qū)塊鏈的背景和意義   210
8.1.2   區(qū)塊鏈的基本概念  211
8.2     人工智能與區(qū)塊鏈的結(jié)合應(yīng)用  212
8.2.1    人工智能與區(qū)塊鏈的融合   212
8.2.2    區(qū)塊鏈和大模型  213
8.3     檢測(cè)以太坊區(qū)塊鏈中的非法賬戶 214
8.3.1   數(shù)據(jù)集介紹  214
8.3.2   數(shù)據(jù)預(yù)處理  214
8.3.3    數(shù)據(jù)分析   220
8.3.4   拆分?jǐn)?shù)據(jù)集  232
8.3.5    特征縮放  234
8.3.6    構(gòu)建模型和超參數(shù)調(diào)優(yōu)  237
8.3.7    模型評(píng)估   247
8.4     比特幣價(jià)格預(yù)測(cè)系統(tǒng)  251
8.4.1    GreyKite 介 紹  251
8.4.2    數(shù)據(jù)預(yù)處理  252
8.4.3   創(chuàng)建預(yù)測(cè)  255
8.4.4   交叉驗(yàn)證  256
8.4.5   后測(cè)試  257
8.4.6   預(yù) 測(cè)  259
8.4.7   模型診斷  260
8.4.8    使 用LSTM    訓(xùn)練模型   266
8.4.9    模型性能可視化   269
第 9 章  基 于 深 度 強(qiáng) 化 學(xué) 習(xí) 的 量 化 交 易 系 統(tǒng)  272
9.1     背 景 介 紹  272
9.2     項(xiàng) 目 介 紹  273
9.2.1   項(xiàng)目目標(biāo)  273
9.2.2   模塊架構(gòu)   273
9.3     準(zhǔn) 備 工 作  274
9.3.1   準(zhǔn)備強(qiáng)化學(xué)習(xí)庫(kù) FinRL  274
9.3.2   導(dǎo)入包  275
9.3.3    下載金融數(shù)據(jù)   276
9.4     數(shù) 據(jù) 預(yù) 處 理  277
9.4.1    技術(shù)指標(biāo)   278
9.4.2    將協(xié)方差矩陣添加為狀態(tài)   279
9.5     構(gòu) 建 交 易 環(huán) 境   281
9.5.1    拆分訓(xùn)練數(shù)據(jù)  281
9.5.2    投資組合配置環(huán)境   282
9.6     深度強(qiáng)化學(xué)習(xí)算法模型  288
9.6.1    基于A 2C 算法的模型  289
9.6.2    基于 PPO 算法的模型  291
9.6.3    基于 DDPG 算法的模型  292
9.6.4   基于SAC 算法的模型  294
9.6.5   基于TD3算法的模型  296
9.6.6   開(kāi)始交易   297
9.7     回 測(cè) 交 易 策 略   299
9.7.1    回測(cè)統(tǒng)計(jì)   299
9.7.2    回測(cè)結(jié)果可視化  301
9.8     最小方差投資組合分配  306
9.8.1    優(yōu)化投資組合   306
9.8.2    DRL、最小方差、DJIA  的可視化  309
第 10 章  基 于 趨 勢(shì) 跟 蹤 的 期 貨 交 易 系 統(tǒng)  312
10.1      背 景 介 紹   312
10.2     功 能 模 塊   313
10.3     準(zhǔn) 備 工 作   314
10.3.1    安裝需要的庫(kù)   314
10.3.2   導(dǎo)入庫(kù)   314
10.4     數(shù) 據(jù) 分 析  315
10.4.1    數(shù)據(jù)預(yù)處理  315
10.4.2    特征工程  318
10.4.3    探索性數(shù)據(jù)分析   321
10.4.4    特征選擇   328
10.5     建 模  329
10.5.1    建模流程   329
10.5.2   具體建模   330
10.6     制 定 交 易 策 略  334
10.7      結(jié) 論  343
第 11 章  上 市 公 司 估 值 系 統(tǒng)   345
11.1     背 景 介 紹   345
11.2      項(xiàng) 目 介 紹   345
11.2.1   功能介紹   346
11.2.2    核心技術(shù)   346
11.3     數(shù) 據(jù) 收 集   346
11.3.1   MongoDB 存 儲(chǔ)  346
11.3.2   PostgreSQL 存 儲(chǔ)  348
11.3.3   EDGAR   數(shù)據(jù)交互  350
11.3.4   獲取股票信息   356
11.4     質(zhì) 性 分 析  359
11.4.1    年度報(bào)告參考  360
11.4.2    生成年度報(bào)告內(nèi)容   362
11.4.3   文檔解析  367
11.5     OpenAIAPI      和 Langchain    探 索  370
11.5.1   OpenAI 接 口 370
11.5.2   Langchain 和 OpenAI 處理   372
11.5.3    創(chuàng)建摘要  373
11.5.4    LangChain 處理   380
11.6     定 量 分 析   384
11.6.1   DataFrame 構(gòu)建與處理   384
11.6.2    提取財(cái)務(wù)數(shù)據(jù)  385
11.6.3    數(shù)據(jù)處理  388
11.6.4    計(jì)算估值   403
11.6.5    風(fēng)險(xiǎn)評(píng)估  408
11.7     估 值 報(bào) 告 可 視 化  412