金融中的人工智能

近年來，人工智慧在各個領域被廣泛應用，但對於很多金融從業人員來說，人工智慧仍然給人一種高深莫測的感覺。本書旨在從新技術（如人工智慧）的視角給出金融業務的新興解決方案。

本書內容通俗易懂，不僅揭示了人工智慧在金融業中的重要性，還結合機器學習演算法和示例給出了一系列的金融科技解決方案，涉及時間序列分析、強化學習、預測分析、自動化投資組合管理、情緒分析、自然語言處理等知識點。

此外，本書還結合現實工作總結了相關的注意事項。本書適合傳統金融行業的從業者以及新興金融科技領域的實踐者閱讀。讀者可從本書深入淺出的知識點和案例中瞭解到人工智慧的魅力，為好地運用人工智慧技術賦能金融業務做好準備。

第1部分 金融業人工智慧概述

第1章 人工智慧在金融業中的重要性3
1.1什麼是人工智慧4
1.1.1機器是如何學習的5
1.1.2實施人工智慧的軟體要求6
1.1.3實施人工智慧的硬體要求9
1.1.4建模方法論—CRISP-DM11
1.2瞭解金融業12
1.2.1金融業相對於 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開源軟體和資料18
1.3.2我們為什麼需要人工智慧19
1.4人工智慧在金融業的應用19
1.5本章小結22

第2部分 機器學習演算法和實例

第2章 時間序列分析25
2.1瞭解時間序列分析26
2.2M2M通信28
2.2.1商業銀行業務簡介29
2.2.2M2M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人工智慧模型33
2.4.1時間序列模型ARIMA模型簡介34
2.4.2神經網路簡介—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對資料進行預處理39
2.5.3通過擬合數據來建立模型40
2.6基於Keras的神經網路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人工智慧建模技術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神經網路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獲取資料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 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
4.2.4一個專案的現金流模式84
4.2.5預測財務報表條目86
4.3人工智慧建模思想87
4.3.1線性優化88
4.3.2線性回歸88
4.4尋找 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合併和收購101
5.1.5人工智慧在並購中的應用103
5.1.6上市公司的申報義務104
5.2瞭解資料技術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，在賣方進行演算法行銷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的關係網絡構建與分析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管理客戶的數位資料166
8.2開放銀行項目167
8.2.1手機App—使用Flask和MongoDB構建API168
8.2.2瞭解IPS169
8.2.3行為分析—支出分析170
8.2.4通過API對外提供人工智慧服務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
8.3.3Word2Vec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制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基於圖資料庫的知識檢索189
9.5.2具體實施189
9.6本章小結194

第10章 現實工作中的注意事項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與人工智慧部署相關的IT生產環境考慮因素200
10.5去哪裡尋找 多的用例201
10.6哪些領域需要 多的實際研究201
10.7本章小結202

吳漢銘（Jeffrey Ng）

特許金融分析師（CFA），註冊金融科技師（CFT），畢業於香港理工大學電腦與管理專業，並持有香港中文大學的金融MBA學位。曾任平安壹賬通銀行（香港）有限公司（Ping An OneConnect Bank (Hong Kong) Limited）金融科技部負責人（head of FinTech solutions）。他致力於推進人工智慧在銀行和金融生態系統中的應用。在此之前，他曾是法國巴黎銀行（BNP Paribas）亞太區資料實驗室的領導，為企業構建人工智慧和資料分析的解決方案，並擔任我國香港地區的法國工商會金融科技委員會（French Chamber of Commerce's FinTech Committee）的副 。2010年，作為將客戶分析應用到投資銀行業務的先驅之一，他在銀行中建立了分析團隊。他曾與普華永道諮詢（PwC Consulting）公司和通用電氣消費者金融集團（GE Money）合作，在零售銀行和商業銀行中開展人工智慧項目。
 
蘇哈什·沙阿（Subhash Shah）

在AIMDek Technologies私人股份有限公司擔任技術主管（head of technology）。他是一位經驗豐富的解決方案架構師，擁有超過12年的相關工作經驗。他擁有資訊技術學位，是開原始程式碼的宣導者，並擅長利用開原始程式碼以較低成本解決關鍵業務問題。他的興趣包括微服務、資料分析、 機器學習、人工智慧和資料庫。他是優質代碼和測試驅動的開發（Test Driven Development，TDD）的崇尚者。他的技能包括但不限於：將業務需求轉化為可擴展的架構、設計可持續的解決方案以及專案交付。他是MySQL 8 Administrator's Guide和Hands-On High Performance with Spring 5這兩本書的合著者。