正版
AI+金融:人工智能与企业管理的融合实践
- 书名
- AI+金融:人工智能与企业管理的融合实践
- 作者
- 朱润酥 等 著
- 出版社
- 化学工业出版社
- 出版时间
- 2025-12-01
- ISBN
- 9787122495402
- 货号
- 1204413868
- 品相
- 全新
- 分类
- 当代·经济
- 书名
- AI+金融:人工智能与企业管理的融合实践
- 作者
- 朱润酥 等 著
- 出版社
- 化学工业出版社
- 出版时间
- 2025-12-01
- ISBN
- 9787122495402
- 货号
- 1204413868
- 品相
- 全新
- 分类
- 当代·经济
编辑推荐▼
1.本书独特价值在于,成功打破了技术与业务之间的壁垒——当绝大多数书籍仍在孤立地讲解算法原理时,本书已清晰勾勒出从算法到业务的完整价值链。
2.本书路径清晰,它像一位经验丰富的向导,带领读者从经久不衰的传统AI方法稳步走向代表未来的大模型与智能体。
3.本书真实可用,书中精心设计的金融案例与配套代码,让抽象的理论即刻转化为解决实际问题的生产力。
4.本书具有前瞻性,对金融大模型与智能体的深入剖析,能帮助从业者提前布局,抓住下一代金融科技的核心命脉。无论您是寻求技术转型的金融人,还是探索业务落地的技术派,这本书都将是您案头不可或缺的权威参考。
作者简介▼
无
目录▼
第1章 传统人工智能
1.1 GOFAI概述:定义、历史与核心理论
1.1.1 GOFAI定义与特点
1.1.2 金融领域传统知识表示方法
1.1.3 演绎推理与推理机
1.1.4 专家系统
1.2 机制、价值与局限
1.2.1 推理机制工作原理
1.2.2 GOFAI在金融AI中的价值体现
1.2.3 GOFAI在金融AI中的局限与不足
1.2.4 交叉融合助力金融
1.3 金融领域中的GOFAI典型应用场景
1.3.1 信用评分与客户资质审核
1.3.2 风险评估与合规审核
1.3.3 金融欺诈监测与交易异常分析
1.3.4 智能投顾与专家辅助决策系统
1.3.5 监管报送自动化与金融知识库构建
1.4 案例:基于规则的金融专家系统
1.4.1 规则库设计
1.4.2 Python推理机
第2章 知识图谱
2.1 知识图谱的基本定义与原理
2.1.1 什么是知识图谱
2.1.2 知识图谱的优势
2.1.3 知识图谱赋能大语言模型
2.2 金融领域知识图谱典型应用场景
2.2.1 欺诈团伙挖掘
2.2.2 反洗钱
2.2.3 信用风险控制
2.2.4 客户画像
2.2.5 金融监管与合规
2.2.6 保险欺诈检测
2.2.7 系统性风险分析
2.2.8 智能推荐与决策支持
2.3 案例:知识图谱构建与查询示例
2.3.1 构建知识图谱
2.3.2 图谱查询与分析
第3章 搜索算法
3.1 金融领域中的搜索问题与算法
3.1.1 金融领域中的搜索问题
3.1.2 盲目搜索算法:从穷举到系统遍历
3.1.3 启发式搜索与优化算法:用信息引导方向
3.1.4 智能算法:进化机制与群体智慧
3.2 投资决策问题
3.2.1 均值-方差模型
3.2.2 夏普比率
3.2.3 期望效用理论与风险偏好
3.3 盲目搜索原理与案例
3.3.1 广度优先搜索
3.3.2 深度优先搜索
3.3.3 案例:搜索算法解决路径优化问题
3.4 遗传算法:原理与机制
3.4.1 编码方式与初始种群
3.4.2 适应度函数设计
3.4.3 选择、交叉与变异算子
3.4.4 参数自适应调整
3.4.5 精英策略与收敛判断
3.5 投资组合优化案例:遗传算法
第4章 机器学习
4.1 机器学习概述
4.1.1 金融场景下的机器学习
4.1.2 数据驱动的建模范式
4.1.3 金融视角下的AI范式演进
4.2 监督学习:方法与应用
4.2.1 监督学习概述与算法
4.2.2 监督学习的完整流程
4.2.3 模型好坏的评判标准
4.2.4 案例
4.3 无监督学习:方法与应用
4.3.1 无监督学习概述与算法
4.3.2 无监督学习的完整流程与评估
4.3.3 案例
第5章 强化学习
5.1 强化学习基本概念与机制
5.1.1 什么是强化学习
5.1.2 强化学习的关键要素
5.1.3 强化学习的试错机制
5.1.4 与监督学习、无监督学习的区别
5.2 强化学习全景:序贯决策、三大方法与深度强化
5.2.1 马尔可夫序贯决策框架
5.2.2 强化学习的三大方法
5.2.3 深度强化学习
5.3 金融领域中的强化学习
5.3.1 投资组合优化与资产配置
5.3.2 算法交易与高频决策
5.3.3 当前局限与应用前景
第6章 神经网络与深度学习赋能金融史
6.1 初起与初落
6.1.1 人工神经元的诞生与早期探索
6.1.2 XOR难题与符号AI的短暂胜利
6.2 再起与再落
6.2.1 反向传播算法推动的神经网络复兴
6.2.2 神经网络边缘化与新兴算法的崛起
6.3 深度学习爆发与金融智能化变革
6.3.1 深度学习的全面崛起
6.3.2 深度学习在金融领域中的应用
6.3.3 深度学习在应用中的挑战
第7章 神经网络模型在金融领域的应用
7.1 神经网络模型基础
7.1.1 感知机模型与激活函数
7.1.2 前馈神经网络与多层感知机
7.1.3 神经网络是怎样炼成的
7.2 基础神经网络模型进阶
7.2.1 网络的深与宽
7.2.2 权重初始化、正则化与批量归一化
7.2.3 神经网络模型的可解释性
7.3 基础神经网络在金融中的优势与挑战
7.3.1 应用优势
7.3.2 主要挑战
第8章 深度学习在金融领域的应用
8.1 卷积神经网络的结构原理与金融应用
8.1.1 卷积神经网络的基本原理
8.1.2 卷积神经网络在金融领域应用的场景
8.1.3 卷积神经网络在金融数据上的优势与挑战
8.2 循环神经网络的原理及金融时序应用
8.2.1 循环神经网络基本结构与原理
8.2.2 RNN模型在金融应用中的优势与局限
8.2.3 案例:RNN预测美国标准普尔500指数
8.3 长短期记忆网络及金融典型应用
8.3.1 什么是长短期记忆网络
8.3.2 LSTM在金融领域的典型应用
8.3.3 LSTM模型在金融数据上的优势与挑战
8.3.4 案例:LSTM预测美国标准普尔500指数
第9章 金融领域中的大模型与智能体
9.1 大模型的发展与原理
9.1.1 Transformer架构演进
9.1.2 大模型的关键技术原理
9.1.3 金融专用大模型的设计策略
9.2 基于大模型的金融智能体技术框架
9.2.1 金融智能体的定义与系统架构
9.2.2 金融智能体的能力:问答、决策、搜索、分析与生成
9.2.3 链式思维、函数调用与多模态接入
9.3 大模型与金融智能体的应用场景
9.3.1 金融文本生成与理解
9.3.2 智能投顾与个性化资产配置
9.3.3 高频与量化交易中的策略生成与执行
9.3.4 合规与监管科技中的审查与辅助决策
9.3.5 智能客服与金融教育场景中的交互智能体
第10章 AI在金融管理中的多维赋能
10.1 人工智能在财税政策与监管中的应用
10.1.1 智能税收合规与风险评估
10.1.2 财税征管优化与政策效果预测
10.2 人工智能在金融治理中的技术赋能
10.2.1 系统性风险监测与金融行为建模
10.2.2 沙盒监管与监管科技平台
10.2.3 智能监管技术的新引擎:图网络与时序模型
10.3 人工智能在金融企业管理中的落地实践
10.3.1 金融企业风控与营销的智能升级
10.3.2 组织管理与运营效率提升
10.3.3 技术应用:多智能体系统与生成式AI
附录
附录1 案例:深圳融资信用服务平台的实践与启示
1.背景:小微融资困境与数字普惠金融机遇
2.深圳融资信用服务平台融资服务实践
3.挑战与未来展望
4.结语
附录2 金融预测中的“路线之争”:误差最小化vs决策价值最大化
1.问题的提出——统计误差与决策价值的分歧
2.路线的交锋——学术支撑、实践主张与潜在风险
3.融合的超越——双层评价体系、时代延伸与企业启示
文摘▼
《AI+金融:人工智能与企业管理的融合实践》系统梳理了人工智能在金融领域的核心技术演进与落地实践,以“技术发展脉络”与“金融应用场景”双线并行的方式,从传统符号主义AI的规则引擎与专家系统切入,沿着知识图谱、搜索算法、机器学习、强化学习,一直延伸到深度学习与大模型时代,全景式展现了金融智能化的完整技术图谱。本书注重理论与实践的深度融合,各章节均配备金融场景案例及代码实现,既覆盖智能投顾、反欺诈、合规审核等典型场景,又深入剖析技术选型中的优势、局限与挑战,同时紧跟大模型、金融智能体、图网络等前沿创新。本书面向金融科技从业者、高校相关专业学生及研究人员,既能帮助读者建立系统性的AI知识框架,也能提供可落地的工程化方法,助力读者掌握根据业务问题选择合适技术方案的能力,实现从模型精度到决策价值的跨越。





