正版
金融人工智能
- 书名
- 金融人工智能
- 作者
- 王纲金,谢赤,祝由 编著 编
- 出版社
- 经济科学出版社
- 出版时间
- 2025-12-01
- ISBN
- 9787521875539
- 货号
- 1204340116
- 品相
- 全新
- 分类
- 涉及古代·经济
- 书名
- 金融人工智能
- 作者
- 王纲金,谢赤,祝由 编著 编
- 出版社
- 经济科学出版社
- 出版时间
- 2025-12-01
- ISBN
- 9787521875539
- 货号
- 1204340116
- 品相
- 全新
- 分类
- 涉及古代·经济
目录▼
第1部分 绪论
第1章 金融人工智能发展概述
1.1 金融体系的演变历程
1.1.1 古典金融时期
1.1.2 现代金融革命
1.1.3 数智金融时代
1.2 人工智能驱动的金融革新
1.2.1 数据处理与建模方法演进
1.2.2 预测技术范式革命
1.2.3 风险管理认知升级
1.2.4 资产定价理论重构
第2部分 数据处理与模型方法
第2章 金融数据挖掘与处理
2.1 金融数据挖掘与数据分类
2.1.1 金融数据挖掘
2.1.2 数据类型特点
2.2 结构化数据处理
2.2.1 时间序列数据基础
2.2.2 时间序列数据预处理
2.2.3 结构化数据的特征工程
2.3 非结构化数据处理
2.3.1 文本数据处理
2.3.2 图像数据处理
2.3.3 音频数据处理
第3章 人工智能方法概述
3.1 机器学习
3.1.1 监督与无监督学习
3.1.2 集成学习方法
3.2 深度学习
3.2.1 神经网络基础
3.2.2 卷积神经网络
3.2.3 循环神经网络
3.2.4 图神经网络
3.3 强化学习
3.3.1 强化学习基础
3.3.2 深度强化学习
3.4 大语言模型
3.4.1 自然语言处理核心技术
3.4.2 大语言模型核心架构
第3部分 人工智能与金融时序预测
第4章 金融时序预测的统计建模基础
4.1 金融时间序列核心特性
4.1.1 非平稳性
4.1.2 自相关性
4.1.3 波动聚集性
4.1.4 长记忆性
4.2 经典统计预测模型
4.2.1 单变量预测模型
4.2.2 多变量预测模型
4.3 模型评估与改进策略
4.3.1 样本内外预测评估体系
4.3.2 过拟合诊断与预防
4.4 统计模型的实践挑战
4.4.1 低信噪比与线性假设失效
4.4.2 高维数据与市场机制突变
4.5 实战案例解析
第5章 金融时序预测的机器学习范式
5.1 机器学习方法论基础
5.1.1 监督与无监督学习的金融场景适配
5.1.2 基于机器学习的预测建模范式
5.1.3 金融时序数据集的机器学习特有构造
5.2 多频数据融合与特征工程
5.2.1 多频数据来源及融合
5.2.2 市场微观结构数据编码
5.3 集成学习框架设计
5.3.1 主流集成策略
5.3.2 动态集成优化与评估
5.4 预测系统优化
5.4.1 贝叶斯超参数优化
5.4.2 在线学习与概念漂移检测
5.5 实战案例解析
第6章 金融时序预测的深度学习突破
6.1 深度学习与金融时序建模
6.1.1 金融数据的特有挑战
6.1.2 深度学习的建模优势
6.2 时序深度学习架构及其金融应用
6.2.1 前沿模型架构
6.2.2 模型架构优化
6.2.3 实战案例解析
6.3 异构数据融合与多模态深度学习
6.3.1 多模态表示技术
6.3.2 多模态对齐技术
6.3.3 多模态融合技术
6.3.4 多模态转换技术
6.3.5 实战案例解析
6.4 深度模型可解释性
6.4.1 模型级可解释性
6.4.2 实例级可解释性
第4部分 人工智能与金融风险管理
第7章 市场风险
7.1 市场风险建模方法
7.1.1 波动率测度
7.1.2 风险价值与预期损失
7.2 市场风险中的人工智能
7.2.1 波动率预测
7.2.2 VaR与ES估计
7.3 基于人工智能的市场风险管理案例
第8章 信用风险
8.1 信用风险建模方法
8.1.1 传统模型
8.1.2 定价模型
8.1.3 结构模型
8.1.4 信用VaR
8.2 信用风险中的人工智能
8.2.1 贷款信用评级
8.2.2 违约概率估计
8.3 基于人工智能的信用风险管理案例研究
第9章 流动性风险
9.1 流动性风险建模方法
9.1.1 流动性比率
9.1.2 流动性调整的CAPM
9.1.3 流动性调整的VaR
9.2 流动性风险中的人工智能
9.2.1 流动性评估
9.2.2 流动性预测
9.3 基于人工智能的流动性风险管理案例
第10章 操作风险
10.1 操作风险建模方法
10.1.1 资本计提法
10.1.2 内部衡量法与损失分布法
10.1.3 因果关系模型
10.2 操作风险中的人工智能
10.2.1 员工行为监测
10.2.2 异常交易检测
10.2.3 自动化审计
10.3 基于人工智能的操作风险管理案例
第5部分 人工智能与资产定价
第11章 资产定价因子和因子模型
11.1 主流因子和因子模型
11.1.1 市场因子与CAPM模型
11.1.2 主流因子与多因子模型
11.1.3 因子分类
11.2 alpha与市场异象
11.2.1 alpha收益
11.2.2 异象定义与分类
11.2.3 异象检验
11.3 多因子模型新发展
11.3.1 q因子模型
11.3.2 错误定价因子模型
11.3.3 CH-3模型
11.4 基于大语言模型的资产定价因子构建案例
第12章 资产定价因子模型检验方法
12.1 组合分析法
12.1.1 单变量组合分析
12.1.2 双变量组合分析
12.1.3 三变量组合分析
12.2 因子模拟组合法
12.2.1 排序分组法
12.2.2 方差最小化
12.3 因子模型的回归检验
12.3.1 时序回归检验
12.3.2 截面回归检验
12.3.3 Fama-MacBeth回归检验
12.3.4 不同检验方法的比较分析
12.4 基于Fama-MacBeth回归的行为资产定价案例
第13章 人工智能赋能资产定价因子模型
13.1 因子与风险暴露估计
13.1.1 经典回归方法
13.1.2 PCA技术
13.1.3 自动编码器
13.2 风险溢价估计与推断
13.2.1 传统估计方法
13.2.2 高维数据方案
13.2.3 弱因子处理
13.3 随机折现因子和投资组合建模
13.3.1 经典矩估计方法
13.3.2 机器学习改进因子筛选
13.3.3 人工智能优化投资组合
13.4 基于CNN识别图像情绪的案例研究
文摘▼
本教材立足人工智能与金融学交叉融合的学科特质,坚守“理论筑基、技术赋能”的编撰理念,致力于系统阐释人工智能技术在金融领域的创新应用,精心构建了从理论根基到技术方法,既兼顾学术严谨性,又注重实务可操作性。全书逻辑清晰、层次分明,共分为五大部分十三章,层层递进、环环相扣,全面覆盖金融人工智能的核心内容与前沿应用。





