金融大模型開發(fā)與應用實踐

第 1 章  大 模 型 基 礎  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    人工智能的研究領域  2
1.1.3    人工智能對人們生活的影響   3
1.2     機器學習和深度學習  4
1.2.1    機器學習 4
1.2.2    深度學習 5
1.2.3    機器學習和深度學習的區(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    人工智能驅動的金融創(chuàng)新   10
1.4.2    大模型在金融中的應用   11
第 2 章  數(shù) 據(jù) 預 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)質量檢查與缺失值處理   12
2.1.2   異常值檢測與處理  15
2.1.3   數(shù)據(jù)重復性處理  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  25
2.3     數(shù)據(jù)標準化與歸 一 化  34
2.3.1    標準化與歸一化的概念   34
2.3.2    金融模型中的標準化與歸一化實例   35
第 3 章  金 融 時 間 序 列 分 析  37
3.1     時間序列的基本概念  37
3.1.1   什么是時間序列數(shù)據(jù)   37
3.1.2    時間序列數(shù)據(jù)的特點   38
3.1.3    時間序列分析在金融領域的應用   39
3.2     常用的時間序列分析方法   40
3.2.1    移動平均法  40
3.2.2   自回歸模型   42
3.2.3   自回歸移動平均模型   44
3.2.4   季節(jié)性自回歸集成移動平均模型   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   機器學習方法   59
第 4 章 金 融 風 險 建 模 與 管 理  65
4.1    金融風險的基本概念  65
4.2     基于人工智能的金融風險建模方法  6
4.2.1    傳統(tǒng)風險建模方法回顧  66
4.2.2    機器學習在金融風險建模中的應用   67
4.2.3    數(shù)據(jù)驅動的風險建模   68
4.3     制作貴州茅臺的 ARCH  模 型  69
4.3.1    準備數(shù)據(jù)  69
4.3.2    制作波動模型   70
4.3.3   加入特征數(shù)據(jù)：市場指數(shù)   72
4.3.4    制作股價預測模型   78
4.4     信貸投資組合風險評估模擬程序  81
4.4.1   實例介紹  81
4.4.2    設置信貸投資組合參數(shù)和可視化   81
4.4.3   定義風險度量和計算風險貢獻   83
4.4.4   損失分布估計和可視化   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  100
5.1.2   高頻交易的挑戰(zhàn)與風險  101
5.1.3   傳統(tǒng)高頻交易策略回顧  102
5.1.4   機器學習在高頻交易中的應用  102
5.1.5    高頻交易中的預測建模   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 與 交 易 策 略 優(yōu) 化   119
6.1     資產(chǎn)定價模型概述   119
6.1.1   常見的資產(chǎn)定價模型  119
6.1.2   金融市場的非理性行為  122
6.2     基于人工智能的資產(chǎn)定價方法   123
6.2.1   傳統(tǒng)資產(chǎn)定價模型的局限性  123
6.2.2   機器學習與資產(chǎn)定價   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    股票交易策略實戰(zhàn)：制作股票交易策略模型  134
6.4.1   準備環(huán)境  134
6.4.2    準備數(shù)據(jù)  135
6.4.3   下載、清理和預處理股票數(shù)據(jù)  136
6.4.4   添加技術指標  137
6.4.5   拆分數(shù)據(jù)集  138
6.4.6   準備訓練模型環(huán)境  140
6.4.7    訓 練DDPG 模型  141
6.4.8   訓練 A2C 模型  144
6.4.9   測試模型  146
6.4.10    保存交易決策數(shù)據(jù)   147
6.4.11   對交易策略進行模擬測試  149
6.5     股票交易策略實戰(zhàn)：制作美股交易策略模型   150
6.5.1   項目介紹   150
6.5.2   準備環(huán)境  151
6.5.3   準備數(shù)據(jù)   151
6.5.4   探索性數(shù)據(jù)分析   155
6.5.5   收盤價可視化  159
6.5.6   波動性(收益率)分析  161
6.5.7    使用有效前沿技術優(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 論  179
第 7 章  金 融 市 場 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   機器學習與情緒分析  189
7.3     預 訓 練 模 型 ：BERT     190
7.3.1   BERT 模型介紹  190
7.3.2   情感關鍵字  192
7.3.3   模型微調  194
7.4     預 訓 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)塊鏈的結合應用  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)預處理  214
8.3.3    數(shù)據(jù)分析   220
8.3.4   拆分數(shù)據(jù)集  232
8.3.5    特征縮放  234
8.3.6    構建模型和超參數(shù)調優(yōu)  237
8.3.7    模型評估   247
8.4     比特幣價格預測系統(tǒng)  251
8.4.1    GreyKite 介 紹  251
8.4.2    數(shù)據(jù)預處理  252
8.4.3   創(chuàng)建預測  255
8.4.4   交叉驗證  256
8.4.5   后測試  257
8.4.6   預 測  259
8.4.7   模型診斷  260
8.4.8    使 用LSTM    訓練模型   266
8.4.9    模型性能可視化   269
第 9 章  基 于 深 度 強 化 學 習 的 量 化 交 易 系 統(tǒng)  272
9.1     背 景 介 紹  272
9.2     項 目 介 紹  273
9.2.1   項目目標  273
9.2.2   模塊架構   273
9.3     準 備 工 作  274
9.3.1   準備強化學習庫 FinRL  274
9.3.2   導入包  275
9.3.3    下載金融數(shù)據(jù)   276
9.4     數(shù) 據(jù) 預 處 理  277
9.4.1    技術指標   278
9.4.2    將協(xié)方差矩陣添加為狀態(tài)   279
9.5     構 建 交 易 環(huán) 境   281
9.5.1    拆分訓練數(shù)據(jù)  281
9.5.2    投資組合配置環(huán)境   282
9.6     深度強化學習算法模型  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   開始交易   297
9.7     回 測 交 易 策 略   299
9.7.1    回測統(tǒng)計   299
9.7.2    回測結果可視化  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 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 備 工 作   314
10.3.1    安裝需要的庫   314
10.3.2   導入庫   314
10.4     數(shù) 據(jù) 分 析  315
10.4.1    數(shù)據(jù)預處理  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 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 目 介 紹   345
11.2.1   功能介紹   346
11.2.2    核心技術   346
11.3     數(shù) 據(jù) 收 集   346
11.3.1   MongoDB 存 儲  346
11.3.2   PostgreSQL 存 儲  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 性 分 析  359
11.4.1    年度報告參考  360
11.4.2    生成年度報告內(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 構建與處理   384
11.6.2    提取財務數(shù)據(jù)  385
11.6.3    數(shù)據(jù)處理  388
11.6.4    計算估值   403
11.6.5    風險評估  408
11.7     估 值 報 告 可 視 化  412