人工智能和機器學習的廣泛應用給當今的許多行業帶來了根本性的變革。在金融領域，人工智能技術也已鋒芒初露。通過閱讀本書，你將了解如何利用神經網絡和強化學習等方法，對金融市場的走勢做出預測。作者伊夫·希爾皮斯科博士基於多年開發、回測和部署人工智能算法交易策略的實戰經驗，展示了將人工智能算法應用於金融場景的實用方法。本書包含大量Python示例，有助於你邊學邊練，輕松復現書中的所有結果。* 學習人工智能的主要概念和算法，並了解通用人工智能和超級智能* 理解機器學習和數據驅動的金融學將如何改變金等

●前言
第一部分 機器智能
第1章 人工智能
1.1 算法
1.1.1 數據類型
1.1.2 學習類型
1.1.3 任務類型
1.1.4 方法類型
1.2 神經網絡
1.2.1 OLS回歸
1.2.2 神經網絡估計
1.2.3 神經網絡分類
1.3 數據的重要性
1.3.1 小數據集
1.3.2 更大的數據集
1.3.3 大數據
1.4 結論
第2章 超級智能
2.1 成功故事
2.1.1 雅達利（Atari）
2.1.2 圍棋（Go）
2.1.3 國際像棋（Chess）
2.2 硬件的重要性
2.3 智能的形式
2.4 通往超級智能的途徑
2.4.1 網絡和組織
2.4.2 生物增強
2.4.3 腦機混合
2.4.4 全腦模擬
2.4.5 人工智能
2.5 智能爆炸
2.6 目標和控制
2.6.1 超級智能和目標
2.6.2 超級智能和控制
2.7 潛在的結果
2.8 結論
第二部分 金融和機器學
第3章 規範性金融理論
3.1 不確定性與風險
3.1.1 定義
3.1.2 數字模擬例子
3.2 預期效用理論
3.2.1 假設和結論
3.2.2 數值例子
3.3 均值-方差投資組合理論
3.3.1 假設和結論
3.3.2 數值例子
3.4 資本資產定價模型
3.4.1 假設和結論
3.4.2 數值例子
3.5 套利定價理論
3.5.1 假設和結論
3.5.2 數值例子
3.6 結論
第4章 數據驅動的金融學
4.1 科學方法
4.2 金融計量經濟學與回歸
4.3 數據可用性
4.3.1 可編程API
4.3.2 結構化歷史數據
4.3.3 結構化流數據
4.3.4 非結構化歷史數據
4.3.5 非結構化流數據
4.3.6 非傳統數據
4.4 重新審視規範性理論
4.4.1 預期效用與現實
4.4.2 均值-方差投資組合理論
4.4.3 資本資產定價模型
4.4.4 套利定價理論
4.5 揭示中心假設
4.5.1 正態分布收益率
4.5.2 線性關繫
4.6 結論
4.7 Python代碼段
第5章 機器學
5.1 學
5.2 數據
5.3 成功
5.4 容量
5.5 評估
5.6 偏差和方差
5.7 交叉驗證
5.8 結論
第6章 人工智能優先的金融
6.1 有效市場
6.2 基於收益數據的市場預測
6.3 基於更多特征的市場預測
6.4 日內市場預測
6.5 結論
第三部分 統計失效
第7章 密集神經網絡
7.1 數據
7.2 基線預測
7.3 歸一化
7.4 暫退
7.5 正則化
7.6 裝袋
7.7 優化器
7.8 結論
第8章 循環神經網絡
8.1 第一個示例
8.2 第二個示例
8.3 金融價格序列
8.4 金融收益率序列
8.5 金融特征
8.5.1 估計
8.5.2 分類
8.5.3 深度RNN
8.6 結論
第9章 強化學
9.1 基本概念
9.2 OpenAI Gym
9.3 蒙特卡羅智能體
9.4 神經網絡智能體
9.5 DQL智能體
9.6 簡單的金融沙箱
9.7 更好的金融沙箱
9.8 FQL智能體
9.9 結論
第四部分 算法交易
第10章 向量化回測
10.1 基於SMA策略的回測
10.2 基於DNN的每日策略的回測
10.3 基於DNN的日內策略的回測
10.4 結論
第11章 風險管理
11.1 交易機器人
11.2 向量化回測
11.3 基於事件的回測
11.4 風險評估
11.5 風控措施回測
11.5.1 止損
11.5.2 跟蹤止損
11.5.3 止盈
11.6 結論
11.7 Python代碼
11.7.1 金融環境
11.7.2 交易機器人
11.7.3 回測基類
11.7.4 回測類
第12章 執行與部署
12.1 Oanda賬戶
12.2 數據檢索
12.3 訂單執行
12.4 交易機器人
12.5 部署
12.6 結論
12.7 Python代碼
12.7.1 Oanda環境
12.7.2 向量化回測
12.7.3 Oanda交易機器人
第五部分 展望
第13章 基於人工智能的競爭
13.1 人工智能和金融
13.2 標準的缺失
13.3 教育和培訓
13.4 資源爭奪
13.5 市場影響
13.6 競爭場景
13.7 風險、監管和監督
13.8 結論
第14章 金融奇點
14.1 概念和定義
14.2 風險是什麼
14.3 通往金融奇點的途徑
14.4 正交技能和資源
14.5 之前和之後的情景
14.6 星際迷航還是星球大戰
14.7 結論
第六部分 附錄
附錄A 交互式神經網絡
附錄B 神經網絡類
附錄C 卷積神經網絡
參考文獻

本書通過Python示例介紹人工智能技術在金融數據分析中的應用。你將了解如何運用神經網絡、強化學習等深度學習技術預測金融市場。本書分為六大部分。第一部分介紹人工智能算法的核心概念，包括監督學習和神經網絡，並描繪超級人工智能願景。第二部分討論機器學習技術在金融市場中的應用。第三部分更進一步，討論如何利用神經網絡和強化學習技術解決金融市場中的統計失效問題。第四部分詳述如何利用算法交易解決統計失效問題。第五部分展望未來，探討人工智能會如何改變金融業。第六部分給出以Python實現的神經網絡，可用於時間序列預測。本書面向金融方向的數據分析師、學生和研究人員，以及使用Python開發量化交易策略的“寬客”。

(德)伊夫·希爾皮斯科 著 石磊磊,餘宇新,李煜鑫 譯