金融中的人工智能

吴汉铭（Jeffrey Ng），特许金融分析师（CFA），注册金融科技师（CFT），毕业于香港理工大学计算机与管理专业，并持有香港中文大学的金融MBA学位。曾任平安壹账通银行（香港）有限公司（Ping An OneConnect Bank (Hong Kong) Limited）金融科技部负责人（head of FinTech solutions）。他致力于推进人工智能在银行和金融生态系统中的应用。在此之前，他曾是法国巴黎银行（BNP Paribas）亚太区数据实验室的领导，为企业构建人工智能和数据分析的解决方案，并担任我国香港地区的法国工商会金融科技委员会（French Chamber of Commerce's FinTech Committee）的副主席。2010年，作为将客户分析应用到投资银行业务的先驱之一，他在银行中建立了分析团队。他曾与普华永道咨询（PwC Consulting）公司和通用电气消费者金融集团（GE Money）合作，在零售银行和商业银行中开展人工智能项目。

苏哈什·沙阿（Subhash Shah），在AIMDek Technologies私人股份有限公司担任技术主管（head of technology）。他是一位经验丰富的解决方案架构师，拥有超过12年的相关工作经验。他拥有信息技术学位，是开源代码的倡导者，并擅长利用开源代码以较低成本解决关键业务问题。他的兴趣包括微服务、数据分析、

机器学习、人工智能和数据库。他是优质代码和测试驱动的开发（Test Driven Development，TDD）的崇尚者。他的技能包括但不限于：将业务需求转化为可扩展的架构、设计可持续的解决方案以及项目交付。他是MySQL 8 Administrator's Guide和Hands-On High Performance with Spring 5这两本书的合著者。

第 1部分 金融業人工智能概述

第　1章 人工智能在金融業中的重要性　3

1.1　什麽是人工智能　4

1.1.1　機器是如何學習的　5

1.1.2　實施人工智能的軟件要求　6

1.1.3　實施人工智能的硬件要求　9

1.1.4　建模方法論—CRISP-DM　11

1.2　瞭解金融業　12

1.2.1　金融業相對於全球經濟的規模　14

1.2.2　金融業的客戶　16

1.3　金融業務可獲得性的重要性　17

1.3.1　開源軟件和數據　18

1.3.2　我們為什麽需要人工智能　19

1.4　人工智能在金融業的應用　19

1.5　本章小結　22

第　2部分 機器學習算法和實例

第　2章 時間序列分析　25

2.1　瞭解時間序列分析　26

2.2　M2M通信　28

2.2.1　商業銀行業務簡介　29

2.2.2　M2M通信在商業銀行業務中的作用　29

2.3　金融市場的基本概念　30

2.4　人工智能模型　33

2.4.1　時間序列模型ARIMA模型簡介　34

2.4.2　神經網絡簡介—準確預測需求的秘訣　35

2.5　使用時間序列分析進行需求預測　38

2.5.1　下載數據　38

2.5.2　對數據進行預處理　39

2.5.3　通過擬合數據來建立模型　40

2.6　基於Keras的神經網絡在大宗商品採購中的應用　41

2.7　本章小結　49

第3章　使用強化學習自動化商業銀行貸款融資　51

3.1　分解商業銀行的業務　52

3.1.1　主要風險類型　53

3.1.2　資產和負債管理　53

3.1.3　利率計算　54

3.1.4　信用評級　55

3.2　人工智能建模技術　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　神經網絡　57

3.2.5　強化學習　58

3.2.6　深度學習　59

3.3　模型性能的測量指標　60

3.3.1　指標1—ROC曲線　60

3.3.2　指標2—混淆矩陣　62

3.3.3　指標3—分類報告　62

3.4　構建破產風險預測模型　63

3.4.1　獲取數據　63

3.4.2　構建模型　64

3.5　使用強化學習自動化貸款融資　68

3.5.1　瞭解利益相關者　69

3.5.2　得出解決方案　70

3.6　本章小結　75

第4章　資本市場決策自動化　77

4.1　瞭解投資銀行業務的願景　78

4.2　財務領域的基本概念　79

4.2.1　財務報表　79

4.2.2　優化公司最佳資本結構的理論　81

4.2.3　測量項目價值的全要素生產率　83

4.2.4　一個項目的現金流模式　84

4.2.5　預測財務報表條目　86

4.3　人工智能建模思想　87

4.3.1　線性優化　88

4.3.2　線性回歸　88

4.4　尋找最佳資本結構　89

4.5　使用宏觀經濟場景來提供財務表現預測　95

4.6　本章小結　97

第5章　預測投資銀行（券商）業務　99

5.1　投資銀行（券商）業務基礎知識　100

5.1.1　投資銀行在IPO中的工作　100

5.1.2　股票分類—股票風格　101

5.1.3　投資者分類　101

5.1.4　合並和收購　101

5.1.5　人工智能在並購中的應用　103

5.1.6　上市公司的申報義務　104

5.2　瞭解數據技術　104

5.3　聚類模型　105

5.4　新發行證券的自動辛迪加融資　106

5.4.1　解決問題的步驟　107

5.4.2　構建相似度模型　108

5.4.3　構建投資者聚類模型　108

5.4.4　構建股票聚類模型　110

5.5　識別收購者和目標公司　115

5.6　本章小結　119

第6章　使用特雷諾·布萊克模型和ResNet自動化投資組合管理　121

6.1　財務概念　122

6.1.1　資本資產定價模型中的alpha和beta回報　122

6.1.2　已實現和未實現投資回報　122

6.1.3　投資政策聲明　122

6.1.4　資產類別　124

6.1.5　投資行業的參與者　124

6.1.6　基準—比較的基線　125

6.1.7　投資者是要尋求回報的　125

6.1.8　趨勢跟蹤基金　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　基於特雷諾·布萊克模型構建投資組合　134

6.5　預測證券的走勢　140

6.6　本章小結　148

第7章　感知市場情緒，在賣方進行算法營銷　149

7.1　理解情緒分析　150

7.2　利用情緒分析感知市場需求　150

7.3　基於Neo4j的關系網絡構建與分析　157

7.4　本章小結　164

第8章　使用API構建個人財富顧問機器人　165

8.1　管理客戶的數字數據　166

8.2　開放銀行項目　167

8.2.1　手機App—使用Flask和MongoDB構建API　168

8.2.2　瞭解IPS　169

8.2.3　行為分析—支出分析　170

8.2.4　通過API對外提供人工智能服務　170

8.3　文檔佈局分析　170

8.3.1　文檔佈局分析步驟　171

8.3.2　使用Gensim建立主題模型　172

8.3.3　Word2Vec的向量維數　172

8.4　使用開放銀行API預測現金流　173

8.5　使用發票實體識別記錄日常開支　178

8.6　本章小結　181

第9章　客戶終身財富的大規模定製　183

9.1　財富工具的金融概念　184

9.2　集成學習　185

9.3　預測客戶反應　185

9.4　構建聊天機器人為客戶提供全天候服務　187

9.5　基於NLP和圖的知識管理　189

9.5.1　基於圖數據庫的知識檢索　189

9.5.2　具體實施　189

9.6　本章小結　194

第　10章 現實工作中的註意事項　195

10.1　本書所涵蓋技術的摘要　196

10.2　對金融專業人士、監管機構和政府的影響　197

10.2.1　對金融專業人士的影響　197

10.2.2　對監管機構的影響　198

10.2.3　對政府的影響　198

10.3　如何提取特徵並獲取業務領域知識　199

10.4　與人工智能部署相關的IT生產環境考慮因素　200

10.5　去哪裡尋找更多的用例　201

10.6　哪些領域需要更多的實際研究　201

10.7　本章小結　202