金融人工智能：用Python實現(xiàn)AI量化交易

前言 xiii
第 一部分　機器智能
第 1 章　人工智能 3
1．1　算法 3
1．1．1　數(shù)據(jù)類型 3
1．1．2　學習類型 4
1．1．3　任務類型 7
1．1．4　方法類型 7
1．2　神經(jīng)網(wǎng)絡 8
1．2．1　OLS回歸 8
1．2．2　神經(jīng)網(wǎng)絡估計 12
1．2．3　神經(jīng)網(wǎng)絡分類 17
1．3　數(shù)據(jù)的重要性 19
1．3．1　小數(shù)據(jù)集 19
1．3．2　更大的數(shù)據(jù)集 22
1．3．3　大數(shù)據(jù) 24
1．4　結論 25
第 2 章　超級智能 26
2．1　成功故事 27
2．1．1　雅達利（Atari） 27
2．1．2　圍棋（Go） 32
2．1．3　國際象棋（Chess） 33
2．2　硬件的重要性 35
2．3　智能的形式 36
2．4　通往超級智能的途徑 37
2．4．1　網(wǎng)絡和組織 38
2．4．2　生物增強 38
2．4．3　腦機混合 38
2．4．4　全腦模擬 39
2．4．5　人工智能 39
2．5　智能爆炸 40
2．6　目標和控制 41
2．6．1　超級智能和目標 41
2．6．2　超級智能和控制 42
2．7　潛在的結果 43
2．8　結論 45
第二部分　金融和機器學習
第 3 章　規(guī)范性金融理論 49
3．1　不確定性與風險 50
3．1．1　定義 50
3．1．2　數(shù)字模擬例子 51
3．2　預期效用理論 53
3．2．1　假設和結論 53
3．2．2　數(shù)值例子 55
3．3　均值 方差投資組合理論 57
3．3．1　假設和結論 57
3．3．2　數(shù)值例子 59
3．4　資本資產(chǎn)定價模型 67
3．4．1　假設和結論 67
3．4．2　數(shù)值例子 69
3．5　套利定價理論 74
3．5．1　假設和結論 74
3．5．2　數(shù)值例子 75
3．6　結論 77
第 4 章　數(shù)據(jù)驅(qū)動的金融學 78
4．1　科學方法 78
4．2　金融計量經(jīng)濟學與回歸 79
4．3　數(shù)據(jù)可用性 82
4．3．1　可編程API 82
4．3．2　結構化歷史數(shù)據(jù) 83
4．3．3　結構化流數(shù)據(jù) 85
4．3．4　非結構化歷史數(shù)據(jù) 86
4．3．5　非結構化流數(shù)據(jù) 88
4．3．6　非傳統(tǒng)數(shù)據(jù) 89
4．4　重新審視規(guī)范性理論 93
4．4．1　預期效用與現(xiàn)實 93
4．4．2　均值–方差投資組合理論 96
4．4．3　資本資產(chǎn)定價模型 103
4．4．4　套利定價理論 107
4．5　揭示中心假設 115
4．5．1　正態(tài)分布收益率 115
4．5．2　線性關系 124
4．6　結論 126
4．7　Python代碼段 126
第 5 章　機器學習 130
5．1　學習 131
5．2　數(shù)據(jù) 131
5．3　成功 133
5．4　容量 137
5．5　評估 140
5．6　偏差和方差 145
5．7　交叉驗證 147
5．8　結論 149
第 6 章　人工智能優(yōu)先的金融 150
6．1　有效市場 150
6．2　基于收益數(shù)據(jù)的市場預測 155
6．3　基于更多特征的市場預測 161
6．4　日內(nèi)市場預測 166
6．5　結論 167
第三部分　統(tǒng)計失效
第 7 章　密集神經(jīng)網(wǎng)絡 171
7．1　數(shù)據(jù) 171
7．2　基線預測 173
7．3　歸一化 177
7．4　暫退 179
7．5　正則化 181
7．6　裝袋 184
7．7　優(yōu)化器 185
7．8　結論 186
第 8 章　循環(huán)神經(jīng)網(wǎng)絡 187
8．1　第 一個示例 188
8．2　第二個示例 191
8．3　金融價格序列 194
8．4　金融收益率序列 197
8．5　金融特征 199
8．5．1　估計 199
8．5．2　分類 200
8．5．3　深度RNN 201
8．6　結論 202
第 9 章　強化學習 203
9．1　基本概念 204
9．2　OpenAI Gym 205
9．3　蒙特卡羅智能體 208
9．4　神經(jīng)網(wǎng)絡智能體 210
9．5　DQL智能體 212
9．6　簡單的金融沙箱 216
9．7　更好的金融沙箱 220
9．8　FQL智能體 222
9．9　結論 227
第四部分　算法交易
第 10 章　向量化回測 231
10．1　基于SMA策略的回測 232
10．2　基于DNN的每日策略的回測 237
10．3　基于DNN的日內(nèi)策略的回測 243
10．4　結論 248
第 11 章 風險管理 249
11．1　交易機器人 250
11．2　向量化回測 253
11．3　基于事件的回測 255
11．4　風險評估 261
11．5　風控措施回測 264
11．5．1　止損 266
11．5．2　跟蹤止損 268
11．5．3　止盈 269
11．6　結論 272
11．7　Python代碼 273
11．7．1　金融環(huán)境 273
11．7．2　交易機器人 275
11．7．3　回測基類 279
11．7．4　回測類 281
第 12 章　執(zhí)行與部署 284
12．1　Oanda賬戶 285
12．2　數(shù)據(jù)檢索 285
12．3　訂單執(zhí)行 289
12．4　交易機器人 294
12．5　部署 300
12．6　結論 304
12．7　Python代碼 304
12．7．1　Oanda環(huán)境 304
12．7．2　向量化回測 307
12．7．3　Oanda交易機器人 308
第五部分　展望
第 13 章　基于人工智能的競爭 313
13．1　人工智能和金融 313
13．2　標準的缺失 315
13．3　教育和培訓 316
13．4　資源爭奪 317
13．5　市場影響 318
13．6　競爭場景 319
13．7　風險、監(jiān)管和監(jiān)督 320
13．8　結論 322
第 14 章　金融奇點 323
14．1　概念和定義 323
14．2　風險是什么 324
14．3　通往金融奇點的途徑 327
14．4　正交技能和資源 328
14．5　之前和之后的情景 328
14．6　星際迷航還是星球大戰(zhàn) 329
14．7　結論 329
第六部分　附錄
附錄A　交互式神經(jīng)網(wǎng)絡 333
附錄B　神經(jīng)網(wǎng)絡類 348
附錄C　卷積神經(jīng)網(wǎng)絡 360
參考文獻 366