定 價：69 元
叢書名：新一代信息技術(shù)（人工智能）系列叢書
- 作者：主編：張曉燕 副主編：吳輝航、李志勇、張欣然
- 出版時間：2024/12/1
- ISBN：9787302697343
- 出 版 社：清華大學(xué)出版社
- 中圖法分類：F830.49
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
本書是一本旨在系統(tǒng)闡述人工智能技術(shù)與金融學(xué)深度融合的專業(yè)教材。在數(shù)字經(jīng)濟(jì)浪潮和國家政策的推動下，金融行業(yè)正經(jīng)歷一場由人工智能、大數(shù)據(jù)、區(qū)塊鏈等技術(shù)驅(qū)動的深刻變革。本書正是為了彌合當(dāng)前金融理論與人工智能實(shí)踐之間的鴻溝，為讀者構(gòu)建一個兼具理論深度與實(shí)操價值的跨學(xué)科知識體系。本書聚焦于金融學(xué)與人工智能的交叉領(lǐng)域，旨在幫助讀者理解智能技術(shù)如何賦能金融數(shù)據(jù)處理、風(fēng)險定價、服務(wù)創(chuàng)新等核心環(huán)節(jié)，并解決將算法模型適配金融場景、應(yīng)對金融數(shù)據(jù)特殊性、平衡模型復(fù)雜性與業(yè)務(wù)可解釋性等現(xiàn)實(shí)挑戰(zhàn)。本書的目標(biāo)讀者定位為金融學(xué)、金融工程及相關(guān)專業(yè)本科生，兼顧計算機(jī)科學(xué)與應(yīng)用數(shù)學(xué)專業(yè)選修金融科技課程的學(xué)生群體。教材內(nèi)容設(shè)計嚴(yán)格遵循認(rèn)知科學(xué)規(guī)律，強(qiáng)調(diào)從基礎(chǔ)理論到工程實(shí)踐的漸進(jìn)式知識建構(gòu)。
戰(zhàn)略性新興領(lǐng)域“十四五”高等教育系列教材
前言
金融與人工智能的交叉融合正在重塑現(xiàn)代金融體系的運(yùn)行范式。隨著機(jī)器學(xué)習(xí)、自然語言處理、區(qū)塊鏈等技術(shù)的快速發(fā)展，金融行業(yè)的數(shù)據(jù)處理能力、風(fēng)險定價效率及服務(wù)創(chuàng)新水平均面臨系統(tǒng)性升級。這一變革趨勢受到各國政策層面的高度關(guān)注：在2024年中國人民銀行等七部門聯(lián)合印發(fā)《推動數(shù)字金融高質(zhì)量發(fā)展行動方案》中提到，數(shù)字金融堅持金融服務(wù)實(shí)體經(jīng)濟(jì)的根本宗旨和以人民為中心的發(fā)展思想，以數(shù)據(jù)要素和數(shù)字技術(shù)為關(guān)鍵驅(qū)動，加快推進(jìn)金融機(jī)構(gòu)數(shù)字化轉(zhuǎn)型，夯實(shí)數(shù)字金融發(fā)展基礎(chǔ)，完善數(shù)字金融治理體系，支持金融機(jī)構(gòu)以數(shù)字技術(shù)賦能提升金融“五篇大文章”服務(wù)質(zhì)效，推動我國數(shù)字經(jīng)濟(jì)高質(zhì)量發(fā)展。
然而，當(dāng)前學(xué)術(shù)界與產(chǎn)業(yè)界普遍存在理論方法與技術(shù)實(shí)踐的結(jié)構(gòu)性割裂——傳統(tǒng)金融學(xué)教材多停留于計量經(jīng)濟(jì)學(xué)分析框架，而關(guān)于機(jī)器學(xué)習(xí)的教材多聚焦于算法原理，二者鮮少深度融合。許多從業(yè)者在學(xué)習(xí)算法后仍困惑于“如何將模型適配金融場景”“如何應(yīng)對金融數(shù)據(jù)的特殊性”“如何平衡模型復(fù)雜性與業(yè)務(wù)可解釋性”等現(xiàn)實(shí)問題。本書旨在構(gòu)建一個系統(tǒng)化的跨學(xué)科知識體系，為金融學(xué)與人工智能的深度融合提供理論支撐與實(shí)踐指南。
本書共分為17章，內(nèi)容涵蓋三大模塊：
優(yōu)質(zhì)部分（第1、2章）為理論基礎(chǔ)。第1章剖析金融智能的核心內(nèi)涵，闡釋其相較于傳統(tǒng)金融分析范式的革新性，并梳理金融場景中智能技術(shù)的適用邊界與倫理挑戰(zhàn)；第2章系統(tǒng)回顧金融學(xué)基礎(chǔ)原理，包括市場有效性、資產(chǎn)定價模型與風(fēng)險管理框架，為后續(xù)技術(shù)應(yīng)用奠定理論根基。
第二部分（第3~15章）為技術(shù)核心。本模塊以“由淺入深”為脈絡(luò)，逐層展開金融智能技術(shù)體系：從線性模型（第3章）、帶懲罰項的回歸方法（第4章）、降維與聚類技術(shù)（第5、6章）等傳統(tǒng)機(jī)器學(xué)習(xí)方法，到樹模型（第7章）、神經(jīng)網(wǎng)絡(luò)（第8章）、自編碼器（第9章）、CNN與RNN（第10、11章）、GAN（第12章）等深度學(xué)習(xí)技術(shù)，再延伸至自然語言處理（第13章）、強(qiáng)化學(xué)習(xí)（第14章）及區(qū)塊鏈技術(shù)（第15章）。每章均以“金融問題驅(qū)動”，結(jié)合信貸評分、股價預(yù)測、輿情分析等案例，解析算法原理、數(shù)據(jù)適配性與實(shí)現(xiàn)細(xì)節(jié)。
第三部分（第16、17章）為應(yīng)用與監(jiān)管。第16章聚焦行業(yè)實(shí)踐，探討智能投顧、程序化交易、保險科技等領(lǐng)域的落地案例與技術(shù)瓶頸；第17章則立足監(jiān)管科技（RegTech），分析算法透明度、數(shù)據(jù)隱私保護(hù)與跨境監(jiān)管協(xié)作等前沿議題，為金融智能的合規(guī)發(fā)展提供路徑參考。
需特別說明的是，本書的編寫有兩大特點(diǎn)：
其一，實(shí)用性優(yōu)先。盡管近年來圖神經(jīng)網(wǎng)絡(luò)、Kolmogorov-Arnold神經(jīng)網(wǎng)絡(luò)等新興算法層出不窮，但考慮本書的定位為教學(xué)性質(zhì)，本書選擇聚焦于金融場景中已驗證有效的主流技術(shù)，并配套Python代碼示例與數(shù)據(jù)預(yù)處理指南，確保讀者“學(xué)即能用”。
其二，學(xué)科交叉性。金融智能并非技術(shù)的簡單堆砌，而是需深刻理解金融業(yè)務(wù)的特殊約束—例如高頻數(shù)據(jù)中的非平穩(wěn)性、金融決策中的博弈特性、監(jiān)管規(guī)則對模型可解釋性的剛性要求等。因此，本書在每章均配有不同人工智能模型在金融場景中的具體案例，探討如何針對業(yè)務(wù)痛點(diǎn)調(diào)整算法設(shè)計。
本書的完成得益于金融學(xué)術(shù)界眾多學(xué)者的奠基性工作，特別是在案例選取方面，我們團(tuán)隊精心挑選了在國內(nèi)外金融學(xué)術(shù)優(yōu)質(zhì)期刊上發(fā)表的具有影響力的論文。挑選這些論文的優(yōu)點(diǎn)在于其研究結(jié)果的可靠性已經(jīng)得到了同行評議的肯定，作為教學(xué)案例是比較合適的。本書得到了清華大學(xué)財富管理研究中心的大力支持與幫助，清華大學(xué)五道口金融學(xué)院博士生譚琳對本書的第7~10章的編寫亦有重要貢獻(xiàn)。
特別需要說明的是，盡管我們力求嚴(yán)謹(jǐn)，但金融市場的復(fù)雜性與技術(shù)的快速迭代，注定書中部分內(nèi)容將隨時間推移顯露出局限性。特別是人工智能領(lǐng)域技術(shù)的進(jìn)步日新月異，例如大模型的技術(shù)成熟使得自然語言處理的研究范式正在面臨巨大的變化。因此站在當(dāng)下的門檻上眺望，未來金融智能的終極形態(tài)或許遠(yuǎn)超當(dāng)下想象。當(dāng)因果推斷揭示金融市場的深層規(guī)律，當(dāng)量子計算重新定義風(fēng)險模型的復(fù)雜度邊界，人類與算法的關(guān)系未來可能步入新的紀(jì)元。但無論人工智能技術(shù)如何演進(jìn)，金融學(xué)中需要解決的重要問題依然不會改變，技術(shù)只是提升我們解決金融問題的效率。本書愿作一枚火把，照亮金融智能道路上的技術(shù)溝壑，為同學(xué)們學(xué)習(xí)金融智能提供參考。
編者
2025年6月
目錄
第1章 金融智能的基本原理 / 1
章前導(dǎo)讀 / 1
本章學(xué)習(xí)目標(biāo) / 1
1.1 人工智能概述與歷史 / 1
1.1.1 人工智能概述 / 1
1.1.2 人工智能發(fā)展歷史 / 3
1.2 金融智能概述與場景 / 3
1.2.1 金融智能概述 / 3
1.2.2 金融智能的常見場景 / 4
1.2.3 金融智能中的常用技術(shù) / 7
1.3 金融智能實(shí)踐與方向 / 8
1.3.1 金融智能發(fā)展現(xiàn)狀 / 8
1.3.2 金融智能遇到的挑戰(zhàn) / 9
1.3.3 金融智能發(fā)展的方向 / 10
1.4 Python基礎(chǔ)知識 / 10
1.4.1 Python 安裝 / 11
1.4.2 Python常用數(shù)據(jù)類型、條件、循環(huán)與函數(shù) / 12
1.5 機(jī)器學(xué)習(xí)模型評估 / 17
1.5.1 過擬合與欠擬合 / 17
1.5.2 偏差和方差的權(quán)衡 / 18
1.5.3 回歸問題機(jī)器學(xué)習(xí)模型的評價指標(biāo) / 21
1.5.4 機(jī)器學(xué)習(xí)的超參數(shù)調(diào)校 / 22
1.6 本章小結(jié) / 28
關(guān)鍵名詞 / 28
復(fù)習(xí)思考題 / 28
第2章 金融學(xué)基本原理 / 29
章前導(dǎo)讀 / 29
本章學(xué)習(xí)目標(biāo) / 29
2.1 金融市場 / 29
2.1.1 金融市場的概念與功能 / 29
2.1.2 金融市場分類 / 30
2.2 實(shí)證資產(chǎn)定價 / 31
2.2.1 資產(chǎn)定價的核心問題—預(yù)期收益率 / 31
2.2.2 組合分析 / 33
2.2.3 因子 / 38
2.2.4 中國因子模型 / 40
2.3 本章小結(jié) / 43
關(guān)鍵名詞 / 44
復(fù)習(xí)思考題 / 44
第3章 金融智能中的線性方法 / 45
章前導(dǎo)讀 / 45
本章學(xué)習(xí)目標(biāo) / 45
3.1 線性分析方法概述 / 45
3.1.1 計量經(jīng)濟(jì)學(xué)視角下的線性模型 / 45
3.1.2 矩陣視角下的線性模型 / 47
3.1.3 損失函數(shù) / 48
3.2 邏輯回歸的算法 / 48
3.2.1 分類問題 / 48
3.2.2 邏輯回歸 / 49
3.3 異象性因子的檢驗 / 50
3.3.1 異象性因子 / 50
3.3.2 異象性因子的時序回歸統(tǒng)計檢驗 / 50
3.3.3 特征與未來收益率的檢驗：Fama-MacBeth截面回歸 / 52
3.4 本章小結(jié) / 56
關(guān)鍵名詞 / 56
復(fù)習(xí)思考題 / 56
第4章 帶懲罰項的線性方法 / 57
章前導(dǎo)讀 / 57
本章學(xué)習(xí)目標(biāo) / 57
4.1 帶懲罰項的線性方法簡介 / 57
4.2 嶺回歸 / 58
4.3 LASSO / 59
4.4 彈性網(wǎng)絡(luò)回歸 / 60
4.5 案例分析：利用LASSO進(jìn)行高頻交易 / 60
4.6 實(shí)戰(zhàn)：蒙特卡洛模擬 / 63
4.7 本章小結(jié) / 71
關(guān)鍵名詞 / 71
復(fù)習(xí)思考題 / 71
第5章 金融智能中的降維方法 / 72
章前導(dǎo)讀 / 72
本章學(xué)習(xí)目標(biāo) / 72
5.1 降維分析方法概述 / 72
5.2 主成分分析算法 / 73
5.2.1 PCA原理 / 73
5.2.2 PCA算法 / 73
5.2.3 PCA代碼 / 73
5.3 偏最小二乘算法 / 73
5.3.1 PLS原理 / 73
5.3.2 PLS算法 / 74
5.3.3 PLS代碼 / 74
5.4 IPCA算法 / 74
5.4.1 IPCA模型原理 / 74
5.4.2 約束下的IPCA模型 / 76
5.4.3 無約束下的IPCA模型 / 76
5.4.4 IPCA模型的拓展 / 77
5.5 案例分析：者情緒度量 / 79
5.5.1 者情緒 / 79
5.5.2 基于PCA方法的指數(shù)構(gòu)建 / 80
5.6 實(shí)戰(zhàn)代碼及解析 / 81
5.6.1 代碼 / 82
5.6.2 基于PLS方法的改進(jìn)指數(shù)構(gòu)建 / 83
5.7 本章小結(jié) / 86
關(guān)鍵名詞 / 86
復(fù)習(xí)思考題 / 86
第6章 聚類分析及其在金融中的應(yīng)用 / 87
章前導(dǎo)讀 / 87
本章學(xué)習(xí)目標(biāo) / 87
6.1 聚類分析概述 / 87
6.1.1 聚類分析的概念 / 88
6.1.2 聚類的過程 / 88
6.1.3 聚類算法的要求 / 89
6.1.4 聚類算法的距離計算 / 89
6.2 K均值聚類算法 / 90
6.2.1 K均值聚類算法概念 / 90
6.2.2 K均值聚類算法代碼 / 92
6.3 層次聚類算法 / 93
6.3.1 層次聚類算法概念 / 93
6.3.2 層次聚類算法代碼 / 94
6.4 基于密度的聚類算法 / 95
6.4.1 DBSCAN 算法概念 / 96
6.4.2 DBSCAN 算法代碼 / 97
6.5 聚類分析在金融客戶細(xì)分中的應(yīng)用 / 99
6.6 本章小結(jié) / 100
關(guān)鍵名詞 / 101
復(fù)習(xí)思考題 / 101
第7章 金融智能中的樹類方法 / 102
章前導(dǎo)讀 / 102
本章學(xué)習(xí)目標(biāo) / 102
7.1 樹類分析方法概述及其運(yùn)用場景 / 102
7.2 回歸樹 / 103
7.2.1 回歸樹原理 / 103
7.2.2 回歸樹算法 / 104
7.2.3 回歸樹代碼 / 105
7.3 集成學(xué)習(xí)以及隨機(jī)森林算法 / 106
7.3.1 集成學(xué)習(xí)以及隨機(jī)森林原理 / 106
7.3.2 隨機(jī)森林算法 / 106
7.3.3 隨機(jī)森林代碼介紹 / 106
7.4 梯度提升回歸樹算法 / 108
7.4.1 梯度提升回歸樹原理 / 108
7.4.2 梯度提升回歸樹算法 / 108
7.4.3 梯度提升回歸樹代碼 / 109
7.5 本章小結(jié) / 110
關(guān)鍵名詞 / 111
復(fù)習(xí)思考題 / 111
第8章 金融智能中的全連接神經(jīng)網(wǎng)絡(luò)模型 / 112
章前導(dǎo)讀 / 112
本章學(xué)習(xí)目標(biāo) / 112
8.1 人工神經(jīng)網(wǎng)絡(luò)方法概述 / 112
8.2 激活函數(shù) / 113
8.2.1 ReLU激活函數(shù) / 113
8.2.2 sigmoid激活函數(shù) / 114
8.2.3 tanh激活函數(shù) / 114
8.3 優(yōu)化算法 / 114
8.3.1 梯度下降 / 114
8.3.2 小批量隨機(jī)梯度下降 / 115
8.3.3 動量法 / 115
8.3.4 AdaGrad算法 / 115
8.3.5 RMSProp算法 / 116
8.3.6 Adam算法 / 117
8.4 模型訓(xùn)練 / 118
8.4.1 權(quán)重懲罰 / 118
8.4.2 丟棄法 / 118
8.4.3 早停法 / 119
8.4.4 批歸一法 / 120
8.5 全連接神經(jīng)網(wǎng)絡(luò)代碼介紹 / 120
8.6 案例分析：基于公司特征的全連接神經(jīng)網(wǎng)絡(luò)選股模型 / 121
8.7 實(shí)戰(zhàn)代碼解析：蒙特卡洛模擬 / 123
8.8 本章小結(jié) / 128
關(guān)鍵名詞 / 128
復(fù)習(xí)思考題 / 128
第9章 金融智能中的自編碼器模型 / 129
章前導(dǎo)讀 / 129
本章學(xué)習(xí)目標(biāo) / 129
9.1 AE方法概述 / 129
9.2 AE代碼 / 131
9.3 條件AE與金融中的因子定價模型 / 132
9.4 條件AE代碼 / 134
9.5 蒙特卡洛模擬 / 136
9.6 本章小結(jié) / 139
關(guān)鍵名詞 / 139
復(fù)習(xí)思考題 / 139
第10章 金融智能中的卷積神經(jīng)網(wǎng)絡(luò)模型 / 141
章前導(dǎo)讀 / 141
本章學(xué)習(xí)目標(biāo) / 141
10.1 CNN方法概述 / 141
10.2 CNN算法 / 142
10.2.1 卷積層 / 143
10.2.2 池化層 / 145
10.3 CNN代碼 / 146
10.4 案例：K線圖識別與收益率預(yù)測 / 147
10.5 本章小結(jié) / 154
關(guān)鍵名詞 / 154
復(fù)習(xí)思考題 / 154
第11章 金融智能中的循環(huán)神經(jīng)網(wǎng)絡(luò)模型 / 155
章前導(dǎo)讀 / 155
本章學(xué)習(xí)目標(biāo) / 155
11.1 RNN模型基礎(chǔ) / 155
11.1.1 RNN模型概述 / 155
11.1.2 RNN的核心原理 / 157
11.1.3 RNN與其他神經(jīng)網(wǎng)絡(luò)的比較 / 158
11.2 RNN模型變體和訓(xùn)練 / 160
11.2.1 RNN模型在Python中的實(shí)現(xiàn) / 160
11.2.2 RNN訓(xùn)練過程與參數(shù)調(diào)優(yōu) / 164
11.3 RNN在金融智能中的應(yīng)用 / 166
案例 RNN模型與有效市場假說 / 166
11.4 本章小結(jié) / 169
關(guān)鍵名詞 / 169
復(fù)習(xí)思考題 / 169
第12章 金融智能中的生成式對抗網(wǎng)絡(luò)模型 / 170
章前導(dǎo)讀 / 170
本章學(xué)習(xí)目標(biāo) / 170
12.1 GAN模型基礎(chǔ) / 170
12.1.1 GAN模型概述 / 170
12.1.2 GAN的核心組成 / 172
12.2 GAN模型的訓(xùn)練與優(yōu)化 / 174
12.2.1 GAN模型在Python中的實(shí)現(xiàn) / 174
12.2.2 GAN的參數(shù)調(diào)優(yōu)與穩(wěn)定性問題 / 178
12.3 GAN在金融智能中的應(yīng)用 / 180
案例 GAN與SDF估計 / 180
參考文獻(xiàn) / 181
12.4 本章小結(jié) / 181
關(guān)鍵名詞 / 181
復(fù)習(xí)思考題 / 182
第13章 金融智能中的自然語言處理方法 / 183
章前導(dǎo)讀 / 183
本章學(xué)習(xí)目標(biāo) / 183
13.1 文本分析方法概述及其運(yùn)用場景 / 183
13.1.1 文本分析概述 / 184
13.1.2 文本分析的應(yīng)用場景 / 185
13.1.3 文本數(shù)據(jù)處理一般流程 / 187
13.2 語素與分詞 / 189
13.2.1 語素 / 189
13.2.2 分詞 / 190
13.2.3 分詞代碼 / 191
13.3 詞袋模型與詞向量模型 / 192
13.3.1 詞袋模型 / 192
13.3.2 詞向量模型 / 193
13.3.3 詞向量模型代碼 / 196
13.4 TF-IDF算法 / 197
13.4.1 關(guān)鍵詞提取概述 / 197
13.4.2 TF-IDF算法 / 199
13.4.3 TF-IDF算法代碼 / 200
13.5 主題模型 / 201
13.5.1 主題模型概述 / 201
13.5.2 LDA算法 / 202
13.5.3 LDA代碼 / 204
13.6 本章小結(jié) / 205
關(guān)鍵名詞 / 205
復(fù)習(xí)思考題 / 206
第14章 金融智能中的強(qiáng)化學(xué)習(xí)算法 / 207
章前導(dǎo)讀 / 207
本章學(xué)習(xí)目標(biāo) / 207
14.1 強(qiáng)化學(xué)習(xí)算法基礎(chǔ) / 207
14.1.1 強(qiáng)化學(xué)習(xí)概述 / 207
14.1.2 強(qiáng)化學(xué)習(xí)的核心組件 / 208
14.1.3 強(qiáng)化學(xué)習(xí)與其他學(xué)習(xí)方法的對比 / 210
14.2 強(qiáng)化學(xué)習(xí)算法及其訓(xùn)練 / 212
14.2.1 主要強(qiáng)化學(xué)習(xí)算法 / 212
14.2.2 基于Python實(shí)現(xiàn)的案例 / 213
14.3 強(qiáng)化學(xué)習(xí)的應(yīng)用 / 216
案例 強(qiáng)化學(xué)習(xí)在金融智能中的應(yīng)用 / 216
參考文獻(xiàn) / 217
14.4 本章小結(jié) / 217
關(guān)鍵名詞 / 218
復(fù)習(xí)思考題 / 218
第15章 金融智能中的區(qū)塊鏈方法 / 219
章前導(dǎo)讀 / 219
本章學(xué)習(xí)目標(biāo) / 219
15.1 區(qū)塊鏈技術(shù)概述及其運(yùn)用場景 / 219
15.1.1 區(qū)塊鏈技術(shù)發(fā)展歷史 / 219
15.1.2 區(qū)塊鏈分類 / 220
15.1.3 區(qū)塊鏈技術(shù)應(yīng)用場景 / 221
15.2 區(qū)塊鏈技術(shù)的加密算法和共識機(jī)制 / 222
15.2.1 常見的加密算法 / 222
15.2.2 常見的共識機(jī)制 / 224
15.2.3 共識機(jī)制背后的經(jīng)濟(jì)學(xué) / 225
15.2.4 基于Python生成比特幣公鑰和私鑰 / 227
15.3 區(qū)塊鏈技術(shù)與智能合約技術(shù) / 228
15.3.1 智能合約技術(shù) / 228
15.3.2 智能合約與數(shù)字人民幣 / 229
15.4 區(qū)塊鏈在金融場景中的應(yīng)用 / 231
案例 以太坊公有鏈上的穩(wěn)定幣DAI / 231
15.5 本章小結(jié) /
書單推薦
