| 失效链接处理 |
|
金融人工智能：用Python实现AI量化交易 PDF 下载
下载地址：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
http://product.dangdang.com/29447335.html
相关截图：  资料简介： 本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。 资料目录： 前言 xiii 第 一部分 机器智能 第 1 章 人工智能 3 1.1 算法 3 1.1.1 数据类型 3 1.1.2 学习类型 4 1.1.3 任务类型 7 1.1.4 方法类型 7 1.2 神经网络 8 1.2.1 OLS回归 8 1.2.2 神经网络估计 12 1.2.3 神经网络分类 17 1.3 数据的重要性 19 1.3.1 小数据集 19 1.3.2 更大的数据集 22 1.3.3 大数据 24 1.4 结论 25 第 2 章 超级智能 26 2.1 成功故事 27 2.1.1 雅达利（Atari） 27 2.1.2 围棋（Go） 32 2.1.3 国际象棋（Chess） 33 2.2 硬件的重要性 35 2.3 智能的形式 36 2.4 通往超级智能的途径 37 2.4.1 网络和组织 38 2.4.2 生物增强 38 2.4.3 脑机混合 38 2.4.4 全脑模拟 39 2.4.5 人工智能 39 2.5 智能爆炸 40 2.6 目标和控制 41 2.6.1 超级智能和目标 41 2.6.2 超级智能和控制 42 2.7 潜在的结果 43 2.8 结论 45 第二部分 金融和机器学习 第 3 章 规范性金融理论 49 3.1 不确定性与风险 50 3.1.1 定义 50 3.1.2 数字模拟例子 51 3.2 预期效用理论 53 3.2.1 假设和结论 53 3.2.2 数值例子 55 3.3 均值 方差投资组合理论 57 3.3.1 假设和结论 57 3.3.2 数值例子 59 3.4 资本资产定价模型 67 3.4.1 假设和结论 67 3.4.2 数值例子 69 3.5 套利定价理论 74 3.5.1 假设和结论 74 3.5.2 数值例子 75 3.6 结论 77 第 4 章 数据驱动的金融学 78 4.1 科学方法 78 4.2 金融计量经济学与回归 79 4.3 数据可用性 82 4.3.1 可编程API 82 4.3.2 结构化历史数据 83 4.3.3 结构化流数据 85 4.3.4 非结构化历史数据 86 4.3.5 非结构化流数据 88 4.3.6 非传统数据 89 4.4 重新审视规范性理论 93 4.4.1 预期效用与现实 93 4.4.2 均值?C方差投资组合理论 96 4.4.3 资本资产定价模型 103 4.4.4 套利定价理论 107 4.5 揭示中心假设 115 4.5.1 正态分布收益率 115 4.5.2 线性关系 124 4.6 结论 126 4.7 Python代码段 126 第 5 章 机器学习 130 5.1 学习 131 5.2 数据 131 5.3 成功 133 5.4 容量 137 5.5 评估 140 5.6 偏差和方差 145 5.7 交叉验证 147 5.8 结论 149 第 6 章 人工智能优先的金融 150 6.1 有效市场 150 6.2 基于收益数据的市场预测 155 6.3 基于更多特征的市场预测 161 6.4 日内市场预测 166 6.5 结论 167 第三部分 统计失效 第 7 章 密集神经网络 171 7.1 数据 171 7.2 基线预测 173 7.3 归一化 177 7.4 暂退 179 7.5 正则化 181 7.6 装袋 184 7.7 优化器 185 7.8 结论 186 第 8 章 循环神经网络 187 8.1 第 一个示例 188 8.2 第二个示例 191 8.3 金融价格序列 194 8.4 金融收益率序列 197 8.5 金融特征 199 8.5.1 估计 199 8.5.2 分类 200 8.5.3 深度RNN 201 8.6 结论 202 第 9 章 强化学习 203 9.1 基本概念 204 9.2 OpenAI Gym 205 9.3 蒙特卡罗智能体 208 9.4 神经网络智能体 210 9.5 DQL智能体 212 9.6 简单的金融沙箱 216 9.7 更好的金融沙箱 220 9.8 FQL智能体 222 9.9 结论 227 第四部分 算法交易 第 10 章 向量化回测 231 10.1 基于SMA策略的回测 232 10.2 基于DNN的每日策略的回测 237 10.3 基于DNN的日内策略的回测 243 10.4 结论 248 第 11 章 风险管理 249 11.1 交易机器人 250 11.2 向量化回测 253 11.3 基于事件的回测 255 11.4 风险评估 261 11.5 风控措施回测 264 11.5.1 止损 266 11.5.2 跟踪止损 268 11.5.3 止盈 269 11.6 结论 272 11.7 Python代码 273 11.7.1 金融环境 273 11.7.2 交易机器人 275 11.7.3 回测基类 279 11.7.4 回测类 281 第 12 章 执行与部署 284 12.1 Oanda账户 285 12.2 数据检索 285 12.3 订单执行 289 12.4 交易机器人 294 12.5 部署 300 12.6 结论 304 12.7 Python代码 304 12.7.1 Oanda环境 304 12.7.2 向量化回测 307 12.7.3 Oanda交易机器人 308 第五部分 展望 第 13 章 基于人工智能的竞争 313 13.1 人工智能和金融 313 13.2 标准的缺失 315 13.3 教育和培训 316 13.4 资源争夺 317 13.5 市场影响 318 13.6 竞争场景 319 13.7 风险、监管和监督 320 13.8 结论 322 第 14 章 金融奇点 323 14.1 概念和定义 323 14.2 风险是什么 324 14.3 通往金融奇点的途径 327 14.4 正交技能和资源 328 14.5 之前和之后的情景 328 14.6 星际迷航还是星球大战 329 14.7 结论 329 第六部分 附录 附录A 交互式神经网络 333 附录B 神经网络类 348 附录C 卷积神经网络 360 参考文献 366 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
