金融大模型開發與應用實踐

目錄

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別  5

1.3      大 模 型 介 紹  7

1.3.1    大模型的作用  7

1.3.2    數 據  8

1.3.3    數據和大模型的關系  9

1.4    人工智能與金融行業交融  9

1.4.1    人工智能驅動的金融創新   10

1.4.2    大模型在金融中的應用   11

第 2 章  數 據 預 處 理 與 特 徵 工 程  12

2.1     數 據 清 洗 與 處 理  12

2.1.1   數據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   數據重復性處理  18

2.2     特徵選擇與提取  20

2.2.1   特徵選擇方法  20

2.2.2    特徵提取技術  25

2.3     數據標準化與歸 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   什麽是時間序列數據   37

3.1.2    時間序列數據的特點   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     基於人工智能的金融風險建模方法  6

4.2.1    傳統風險建模方法回顧  66

4.2.2    機器學習在金融風險建模中的應用   67

4.2.3    數據驅動的風險建模   68

4.3     製作貴州茅臺的 ARCH  模 型  69

4.3.1    準備數據  69

4.3.2    製作波動模型   70

4.3.3   加入特徵數據：市場指數   72

4.3.4    製作股價預測模型   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   損失分佈估計和可視化   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   高頻交易的挑戰與風險  101

5.1.3   傳統高頻交易策略回顧  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  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 定 價 與 交 易 策 略 優 化   119

6.1     資產定價模型概述   119

6.1.1   常見的資產定價模型  119

6.1.2   金融市場的非理性行為  122

6.2     基於人工智能的資產定價方法   123

6.2.1   傳統資產定價模型的局限性  123

6.2.2   機器學習與資產定價   124

6.3      交 易 策 略 優 化  129

6.3.1   交易策略的基本概念  129

6.3.2   基於人工智能的交易策略優化  130

6.4    股票交易策略實戰：製作股票交易策略模型  134

6.4.1   準備環境  134

6.4.2    準備數據  135

6.4.3   下載、清理和預處理股票數據  136

6.4.4   添加技術指標  137

6.4.5   拆分數據集  138

6.4.6   準備訓練模型環境  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    保存交易決策數據   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：製作美股交易策略模型   150

6.5.1   項目介紹   150

6.5.2   準備環境  151

6.5.3   準備數據   151

6.5.4   探索性數據分析   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    基於人工智能的金融市場情緒分析  188

7.2.1   傳統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   基於 FinBERT 模型的市場情感分析系統  197

第  8 章  區 塊 鏈 與 金 融 科 技 創 新  210

8.1     區塊鏈技術的概念與原理  210

8.1.1    區塊鏈的背景和意義   210

8.1.2   區塊鏈的基本概念  211

8.2     人工智能與區塊鏈的結合應用  212

8.2.1    人工智能與區塊鏈的融合   212

8.2.2    區塊鏈和大模型  213

8.3     檢測以太坊區塊鏈中的非法賬戶 214

8.3.1   數據集介紹  214

8.3.2   數據預處理  214

8.3.3    數據分析   220

8.3.4   拆分數據集  232

8.3.5    特徵縮放  234

8.3.6    構建模型和超參數調優  237

8.3.7    模型評估   247

8.4     比特幣價格預測系統  251

8.4.1    GreyKite 介 紹  251

8.4.2    數據預處理  252

8.4.3   創建預測  255

8.4.4   交叉驗證  256

8.4.5   後測試  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 於 深 度 強 化 學 習 的 量 化 交 易 系 統  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    下載金融數據   276

9.4     數 據 預 處 理  277

9.4.1    技術指標   278

9.4.2    將協方差矩陣添加為狀態   279

9.5     構 建 交 易 環 境   281

9.5.1    拆分訓練數據  281

9.5.2    投資組合配置環境   282

9.6     深度強化學習算法模型  288

9.6.1    基於A 2C 算法的模型  289

9.6.2    基於 PPO 算法的模型  291

9.6.3    基於 DDPG 算法的模型  292

9.6.4   基於SAC 算法的模型  294

9.6.5   基於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    優化投資組合   306

9.8.2    DRL、最小方差、DJIA  的可視化  309

第 10 章  基 於 趨 勢 跟 蹤 的 期 貨 交 易 系 統  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 據 分 析  315

10.4.1    數據預處理  315

10.4.2    特徵工程  318

10.4.3    探索性數據分析   321

10.4.4    特徵選擇   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   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 據 收 集   346

11.3.1   MongoDB 存 儲  346

11.3.2   PostgreSQL 存 儲  348

11.3.3   EDGAR   數據交互  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    提取財務數據  385

11.6.3    數據處理  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