近年來，人工智能在各個(gè)領(lǐng)域被廣泛應(yīng)用，但對(duì)于很多金融從業(yè)人員來說，人工智能仍然給人一種高深莫測(cè)的感覺。本書旨在從新技術(shù)（如人工智能）的視角給出金融業(yè)務(wù)的新興解決方案。
本書內(nèi)容通俗易懂，不僅揭示了人工智能在金融業(yè)中的重要性，還結(jié)合機(jī)器學(xué)習(xí)算法和示例給出了一系列的金融科技解決方案，涉及時(shí)間序列分析、強(qiáng)化學(xué)習(xí)、預(yù)測(cè)分析、自動(dòng)化投資組合管理、情緒分析、自然語言處理等知識(shí)點(diǎn)。此外，本書還結(jié)合現(xiàn)實(shí)工作總結(jié)了相關(guān)的注意事項(xiàng)。
本書適合傳統(tǒng)金融行業(yè)的從業(yè)者以及新興金融科技領(lǐng)域的實(shí)踐者閱讀。讀者可從本書深入淺出的知識(shí)點(diǎn)和案例中了解到人工智能的魅力，為更好地運(yùn)用人工智能技術(shù)賦能金融業(yè)務(wù)做好準(zhǔn)備。
一本書輕松讀懂金融科技的核心內(nèi)涵；
眾多業(yè)界人士推薦，內(nèi)容通俗易懂；
立足AI視角，解讀金融業(yè)務(wù)新形態(tài)；
書中囊括豐富的算法講解和代碼示例；
更有一系列金融科技解決方案。
吳漢銘（Jeffrey Ng），特許金融分析師（CFA），注冊(cè)金融科技師（CFT），畢業(yè)于香港理工大學(xué)計(jì)算機(jī)與管理專業(yè)，并持有香港中文大學(xué)的金融MBA學(xué)位。曾任平安壹賬通銀行（香港）有限公司（Ping An OneConnect Bank (Hong Kong) Limited）金融科技部負(fù)責(zé)人（head of FinTech solutions）。他致力于推進(jìn)人工智能在銀行和金融生態(tài)系統(tǒng)中的應(yīng)用。在此之前，他曾是法國(guó)巴黎銀行（BNP Paribas）亞太區(qū)數(shù)據(jù)實(shí)驗(yàn)室的領(lǐng)導(dǎo)，為企業(yè)構(gòu)建人工智能和數(shù)據(jù)分析的解決方案，并擔(dān)任我國(guó)香港地區(qū)的法國(guó)工商會(huì)金融科技委員會(huì)（French Chamber of Commerce's FinTech Committee）的副主席。2010年，作為將客戶分析應(yīng)用到投資銀行業(yè)務(wù)的先驅(qū)之一，他在銀行中建立了分析團(tuán)隊(duì)。他曾與普華永道咨詢（PwC Consulting）公司和通用電氣消費(fèi)者金融集團(tuán)（GE Money）合作，在零售銀行和商業(yè)銀行中開展人工智能項(xiàng)目。
蘇哈什·沙阿（Subhash Shah），在AIMDek Technologies私人股份有限公司擔(dān)任技術(shù)主管（head of technology）。他是一位經(jīng)驗(yàn)豐富的解決方案架構(gòu)師，擁有超過12年的相關(guān)工作經(jīng)驗(yàn)。他擁有信息技術(shù)學(xué)位，是開源代碼的倡導(dǎo)者，并擅長(zhǎng)利用開源代碼以較低成本解決關(guān)鍵業(yè)務(wù)問題。他的興趣包括微服務(wù)、數(shù)據(jù)分析、
機(jī)器學(xué)習(xí)、人工智能和數(shù)據(jù)庫(kù)。他是優(yōu)質(zhì)代碼和測(cè)試驅(qū)動(dòng)的開發(fā)（Test Driven Development，TDD）的崇尚者。他的技能包括但不限于：將業(yè)務(wù)需求轉(zhuǎn)化為可擴(kuò)展的架構(gòu)、設(shè)計(jì)可持續(xù)的解決方案以及項(xiàng)目交付。他是MySQL 8 Administrator's Guide和Hands-On High Performance with Spring 5這兩本書的合著者。
第 1部分 金融業(yè)人工智能概述
第 1章 人工智能在金融業(yè)中的重要性 3
1．1 什么是人工智能 4
1．1．1 機(jī)器是如何學(xué)習(xí)的 5
1．1．2 實(shí)施人工智能的軟件要求 6
1．1．3 實(shí)施人工智能的硬件要求 9
1．1．4 建模方法論—CRISP-DM 11
1．2 了解金融業(yè) 12
1．2．1 金融業(yè)相對(duì)于全球經(jīng)濟(jì)的規(guī)�！�14
1．2．2 金融業(yè)的客戶 16
1．3 金融業(yè)務(wù)可獲得性的重要性 17
1．3．1 開源軟件和數(shù)據(jù) 18
1．3．2 我們?yōu)槭裁葱枰斯ぶ悄堋?9
1．4 人工智能在金融業(yè)的應(yīng)用 19
1．5 本章小結(jié) 22
第 2部分 機(jī)器學(xué)習(xí)算法和實(shí)例
第 2章 時(shí)間序列分析 25
2．1 了解時(shí)間序列分析 26
2．2 M2M通信 28
2．2．1 商業(yè)銀行業(yè)務(wù)簡(jiǎn)介 29
2．2．2 M2M通信在商業(yè)銀行業(yè)務(wù)中的作用 29
2．3 金融市場(chǎng)的基本概念 30
2．4 人工智能模型 33
2．4．1 時(shí)間序列模型ARIMA模型簡(jiǎn)介 34
2．4．2 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介—準(zhǔn)確預(yù)測(cè)需求的秘訣 35
2．5 使用時(shí)間序列分析進(jìn)行需求預(yù)測(cè) 38
2．5．1 下載數(shù)據(jù) 38
2．5．2 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理 39
2．5．3 通過擬合數(shù)據(jù)來建立模型 40
2．6 基于Keras的神經(jīng)網(wǎng)絡(luò)在大宗商品采購(gòu)中的應(yīng)用 41
2．7 本章小結(jié) 49
第3章 使用強(qiáng)化學(xué)習(xí)自動(dòng)化商業(yè)銀行貸款融資 51
3．1 分解商業(yè)銀行的業(yè)務(wù) 52
3．1．1 主要風(fēng)險(xiǎn)類型 53
3．1．2 資產(chǎn)和負(fù)債管理 53
3．1．3 利率計(jì)算 54
3．1．4 信用評(píng)級(jí) 55
3．2 人工智能建模技術(shù) 55
3．2．1 蒙特卡羅模擬 56
3．2．2 邏輯回歸模型 56
3．2．3 決策樹 56
3．2．4 神經(jīng)網(wǎng)絡(luò) 57
3．2．5 強(qiáng)化學(xué)習(xí) 58
3．2．6 深度學(xué)習(xí) 59
3．3 模型性能的測(cè)量指標(biāo) 60
3．3．1 指標(biāo)1—ROC曲線 60
3．3．2 指標(biāo)2—混淆矩陣 62
3．3．3 指標(biāo)3—分類報(bào)告 62
3．4 構(gòu)建破產(chǎn)風(fēng)險(xiǎn)預(yù)測(cè)模型 63
3．4．1 獲取數(shù)據(jù) 63
3．4．2 構(gòu)建模型 64
3．5 使用強(qiáng)化學(xué)習(xí)自動(dòng)化貸款融資 68
3．5．1 了解利益相關(guān)者 69
3．5．2 得出解決方案 70
3．6 本章小結(jié) 75
第4章 資本市場(chǎng)決策自動(dòng)化 77
4．1 了解投資銀行業(yè)務(wù)的愿景 78
4．2 財(cái)務(wù)領(lǐng)域的基本概念 79
4．2．1 財(cái)務(wù)報(bào)表 79
4．2．2 優(yōu)化公司最佳資本結(jié)構(gòu)的理論 81
4．2．3 測(cè)量項(xiàng)目?jī)r(jià)值的全要素生產(chǎn)率 83
4．2．4 一個(gè)項(xiàng)目的現(xiàn)金流模式 84
4．2．5 預(yù)測(cè)財(cái)務(wù)報(bào)表?xiàng)l目 86
4．3 人工智能建模思想 87
4．3．1 線性優(yōu)化 88
4．3．2 線性回歸 88
4．4 尋找最佳資本結(jié)構(gòu) 89
4．5 使用宏觀經(jīng)濟(jì)場(chǎng)景來提供財(cái)務(wù)表現(xiàn)預(yù)測(cè) 95
4．6 本章小結(jié) 97
第5章 預(yù)測(cè)投資銀行（券商）業(yè)務(wù) 99
5．1 投資銀行（券商）業(yè)務(wù)基礎(chǔ)知識(shí) 100
5．1．1 投資銀行在IPO中的工作 100
5．1．2 股票分類—股票風(fēng)格 101
5．1．3 投資者分類 101
5．1．4 合并和收購(gòu) 101
5．1．5 人工智能在并購(gòu)中的應(yīng)用 103
5．1．6 上市公司的申報(bào)義務(wù) 104
5．2 了解數(shù)據(jù)技術(shù) 104
5．3 聚類模型 105
5．4 新發(fā)行證券的自動(dòng)辛迪加融資 106
5．4．1 解決問題的步驟 107
5．4．2 構(gòu)建相似度模型 108
5．4．3 構(gòu)建投資者聚類模型 108
5．4．4 構(gòu)建股票聚類模型 110
5．5 識(shí)別收購(gòu)者和目標(biāo)公司 115
5．6 本章小結(jié) 119
第6章 使用特雷諾·布萊克模型和ResNet自動(dòng)化投資組合管理 121
6．1 財(cái)務(wù)概念 122
6．1．1 資本資產(chǎn)定價(jià)模型中的alpha和beta回報(bào) 122
6．1．2 已實(shí)現(xiàn)和未實(shí)現(xiàn)投資回報(bào) 122
6．1．3 投資政策聲明 122
6．1．4 資產(chǎn)類別 124
6．1．5 投資行業(yè)的參與者 124
6．1．6 基準(zhǔn)—比較的基線 125
6．1．7 投資者是要尋求回報(bào)的 125
6．1．8 趨勢(shì)跟蹤基金 126
6．1．9 交易策略 127
6．2 理解馬科維茨的均值-方差組合模型 127
6．3 探索特雷諾·布萊克模型 130
6．4 基于特雷諾·布萊克模型構(gòu)建投資組合 134
6．5 預(yù)測(cè)證券的走勢(shì) 140
6．6 本章小結(jié) 148
第7章 感知市場(chǎng)情緒，在賣方進(jìn)行算法營(yíng)銷 149
7．1 理解情緒分析 150
7．2 利用情緒分析感知市場(chǎng)需求 150
7．3 基于Neo4j的關(guān)系網(wǎng)絡(luò)構(gòu)建與分析 157
7．4 本章小結(jié) 164
第8章 使用API構(gòu)建個(gè)人財(cái)富顧問機(jī)器人 165
8．1 管理客戶的數(shù)字?jǐn)?shù)據(jù) 166
8．2 開放銀行項(xiàng)目 167
8．2．1 手機(jī)App—使用Flask和MongoDB構(gòu)建API 168
8．2．2 了解IPS 169
8．2．3 行為分析—支出分析 170
8．2．4 通過API對(duì)外提供人工智能服務(wù) 170
8．3 文檔布局分析 170
8．3．1 文檔布局分析步驟 171
8．3．2 使用Gensim建立主題模型 172
8．3．3 Word2Vec的向量維數(shù) 172
8．4 使用開放銀行API預(yù)測(cè)現(xiàn)金流 173
8．5 使用發(fā)票實(shí)體識(shí)別記錄日常開支 178
8．6 本章小結(jié) 181
第9章 客戶終身財(cái)富的大規(guī)模定制 183
9．1 財(cái)富工具的金融概念 184
9．2 集成學(xué)習(xí) 185
9．3 預(yù)測(cè)客戶反應(yīng) 185
9．4 構(gòu)建聊天機(jī)器人為客戶提供全天候服務(wù) 187
9．5 基于NLP和圖的知識(shí)管理 189
9．5．1 基于圖數(shù)據(jù)庫(kù)的知識(shí)檢索 189
9．5．2 具體實(shí)施 189
9．6 本章小結(jié) 194
第 10章 現(xiàn)實(shí)工作中的注意事項(xiàng) 195
10．1 本書所涵蓋技術(shù)的摘要 196
10．2 對(duì)金融專業(yè)人士、監(jiān)管機(jī)構(gòu)和政府的影響 197
10．2．1 對(duì)金融專業(yè)人士的影響 197
10．2．2 對(duì)監(jiān)管機(jī)構(gòu)的影響 198
10．2．3 對(duì)政府的影響 198
10．3 如何提取特征并獲取業(yè)務(wù)領(lǐng)域知識(shí) 199
10．4 與人工智能部署相關(guān)的IT生產(chǎn)環(huán)境考慮因素 200
10．5 去哪里尋找更多的用例 201
10．6 哪些領(lǐng)域需要更多的實(shí)際研究 201
10．7 本章小結(jié) 202
書單推薦
