本書結合具體實例循序漸進地講解了金融大模型開發的核心知識。
全書共12章，分別講解了大模型基礎、大模型開發技術棧、數據預處理與特征工程、金融時間序列分析、金融風險建模與管理、高頻交易與算法交易、信用風險評估、資產定價與交易策略優化、金融市場情緒分析、銀行應用大模型開發實戰、區塊鏈與金融科技創新和未來金融智能化發展趨勢。本書內容豐富全面，是學習金融大模型開發的優秀教程。
本書既適合已經掌握Python基礎開發的初學者學習使用，也適合想進一步學習大模型開發、模型優化、模型應用和模型架構的讀者閱讀。本書不僅可以作為證券、保險、銀行等行業從業者的參考書，還可以作為大專院校和培訓學校的專業性教材。
1.系統性與實踐性并重：覆蓋金融大模型開發全流程，從理論到實踐，即學即用。
2.深入金融領域核心：專注于金融大模型的開發與應用，涵蓋金融時間序列分析、風險建模與管理、高頻交易與算法交易、信用風險評估、資產定價等關鍵領域，幫助讀者深入理解金融數據背后的邏輯與規律。
3.技術前沿與趨勢引領：不僅介紹當前主流的金融大模型開發技術棧，還探討了區塊鏈與金融科技創新、未來金融智能化發展趨勢等前沿話題，使讀者能夠緊跟行業步伐，把握未來發展方向。
為什么寫這本書？
在當今數字化和信息化的時代，金融行業正迅速演變為一個高度智能化和數據驅動的領域。金融機構、投資者和分析師需要依賴先進的技術和工具來處理龐大的金融數據、進行預測和決策，以獲取競爭優勢。因此，市場對金融領域的技術專業人士和從業者的需求不斷增長，尤其是那些具備大模型開發和應用經驗的人才。
本書填補了金融領域大模型開發的知識空白，是一本全面的指南。讀者通過閱讀本書，將掌握數據預處理、特征工程、時間序列分析、風險建模、高頻交易、金融市場情緒分析和區塊鏈等領域的關鍵技能。這些技能對金融從業者來說至關重要，能夠提高他們的決策能力和風險管理能力。此外，隨著金融科技的快速發展和區塊鏈技術的興起，金融領域對人工智能和大模型的需求將進一步增加。
本書提供了有關這些前沿領域的深入見解，為金融專業人士提供了寶貴的學習資源，有助于他們在競爭激烈的金融市場中脫穎而出。
?本書的讀者對象
● 數據科學家和分析師
● 金融專業人士
● 企業決策者和管理者
● 從事人工智能研究的研究人員和學生
陳強
----------------------------
陳強，中國海洋大學計算機博士，資深軟件開發工程師和架構師，現在就職于牛津大學（蘇州）科技有限公司研發中心，從事于量化金融、衍生品（期貨期權）交易策略、金融建模和金融數據分析的架構和開發工作。曾經在谷歌市場中發布過多款著名的應用等軟件，這些應用軟件在谷歌市場上取得了驕人的銷售戰績。另外，還精通C#、Java、C 和C語言等主流編程語言，在國內主流期刊中發表過多篇計算機通信領域的著名論文。
目錄
第1章 大模型基礎
1.1人工智能
1.1.1人工智能的發展歷程
1.1.2人工智能的研究領域
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別
1.3大模型介紹
1.3.1大模型的作用
1.3.2數據
1.3.3數據和大模型的關系
1.4人工智能與金融行業交融
1.4.1人工智能驅動的金融創新
1.4.2大模型在金融行業中的應用
第2章 大模型開發技術棧
2.1深度學習框架
2.1.1TensorFlow
2.1.2PyTorch
2.2數據預處理與處理工具
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
2.4.1模型訓練和調優
2.4.2模型架構和設計
2.4.3加速、優化和安全性
第3章 數據預處理與特征工程
3.1數據清洗與處理
3.1.1數據質量檢查與缺失值處理
3.1.2異常值檢測與處理
3.1.3數據重復性處理
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
3.3數據標準化與歸一化
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據
4.1.2時間序列數據的特點
4.1.3時間序列分析在金融領域的應用
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數據驅動的風險建模
5.3制作貴州茅臺的ARCH模型
5.3.1準備數據
5.3.2制作波動模型
5.3.3加入特征數據：市場指數
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高頻交易的挑戰與風險
6.1.3傳統高頻交易策略回顧
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勢
6.2.2算法交易和量化交易的區別
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
6.3.3保存結果
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：制作信貸風控模型
7.3.1讀取數據集數據
7.3.2探索性數據分析
7.3.3編碼分類變量
7.3.4數據分析
7.3.5相關性分析
7.3.6外部數據源
7.3.7繪制成對圖
7.3.8特征工程
7.3.9創建基線模型
7.3.10優化模型
7.3.11制作LightGBM模型
第8章 資產定價與交易策略優化
8.1資產定價模型概述
8.1.1常見的資產定價模型
8.1.2金融市場的非理性行為
8.2基于人工智能的資產定價方法
8.2.1傳統資產定價模型的局限性
8.2.2機器學習與資產定價
8.3交易策略優化
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化
8.4股票交易策略實戰：制作股票交易策略模型
8.4.1準備環境
8.4.2準備數據
8.4.3下載、清理和預處理股票數據
8.4.4添加技術指標
8.4.5拆分數據集
8.4.6準備訓練模型環境
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保存交易決策數據
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情感關鍵字
9.3.3模型微調
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
第10章 銀行應用大模型開發實戰
10.1銀行應用大模型基礎
10.1.1銀行應用大模型概述
10.1.2大模型在銀行業的重要性
10.2貸款預測模型
10.2.1項目背景
10.2.2數據集介紹
10.2.3數據探索
10.2.4數據預處理
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數據集預處理
10.3.3目標特征的分布
10.3.4探索性數據分析
10.3.5制作模型
第11章 區塊鏈與金融科技創新
11.1區塊鏈技術的概念與原理
11.1.1區塊鏈產生的背景
11.1.2區塊鏈的基本概念
11.2人工智能與區塊鏈的結合應用
11.2.1人工智能與區塊鏈的融合
11.2.2區塊鏈和大模型
11.3檢測以太坊區塊鏈中的非法賬戶
11.3.1數據集介紹
11.3.2數據預處理
11.3.3數據分析
11.3.4拆分數據集
11.3.5特征縮放
11.3.6構建模型和超參數調優
11.3.7模型評估
11.4比特幣價格預測系統
11.4.1GreyKite介紹
11.4.2數據預處理
11.4.3創建預測
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 未來金融智能化發展趨勢
12.1人工智能在金融領域的應用前景
12.2未來金融智能化發展趨勢的展望
12.2.1智能化金融服務的普及
12.2.2區塊鏈與數字貨幣的演進
12.2.3金融監管與法規的調整
新書資訊