Деталі електронної книги

Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI

Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI

Yves Hilpisch

Eлектронна книга

W świecie finansów sztuczna inteligencja okazała się przełomową technologią - w połączeniu z odpowiednim zastosowaniem algorytmów i dużych zbiorów danych bowiem pozwala na poprawę jakości usług finansowych. Autor tej książki zdaje sobie z tego sprawę - ma wieloletnie doświadczenie i kompleksową wiedzę na temat projektowania i wdrażania zaawansowanych mechanizmów AI w największych podmiotach z branży. Swoją wiedzą dzieli się z czytelnikami.

Dr Yves Hilpisch szczegółowo opisuje zarówno podstawy teoretyczne, jak i praktyczne aspekty używania algorytmów sztucznej inteligencji w ramach usług i produktów finansowych. Opierając się na przykładach z języka Python, pokazuje metodyki, modele, założenia i techniki wdrażania AI, a także analizuje problemy mogące utrudniać to zadanie i przybliża ich rozwiązania. Znajdziemy tutaj skomplikowane zagadnienia wytłumaczone w logiczny i zrozumiały sposób. Autor z powodzeniem łączy teorię z praktyką, a jego podejście do tematu i prezentowane przypadki bazujące na doświadczeniu są cennym źródłem wiedzy dla każdego, kto chce poznać tajniki dotyczące zastosowania sztucznej inteligencji, uczenia maszynowego, algorytmów i zbiorów danych w szeroko pojętym świecie finansów.

Dzięki książce dowiesz się:

  • na czym polega zastosowanie AI w usługach i produktach finansowych
  • dlaczego i w jaki sposób użycie sztucznej inteligencji fundamentalnie zmienia sektor finansowy i jakie ma to skutki dla niego i konsumentów
  • jak w języku Python konstruować i wdrażać algorytmy bazujące na rozbudowanych zbiorach danych
  • jak dzięki AI i uczeniu maszynowemu usprawniać usługi i produkty finansowe

Przedmowa

Część I. Inteligencja maszynowa

1. Sztuczna inteligencja

  • Algorytmy
    • Rodzaje danych
    • Rodzaje uczenia
    • Rodzaje zadań
    • Rodzaje podejść
  • Sieci neuronowe
    • Regresja metodą najmniejszych kwadratów (regresja OLS)
    • Estymacja z wykorzystaniem sieci neuronowych
    • Klasyfikowanie z użyciem sieci neuronowych
  • Znaczenie danych
    • Mały zbiór danych
    • Większe zbiory danych
    • Duże zbiory danych
  • Wnioski
  • Literatura cytowana

2. Superinteligencja

  • Historie sukcesu
    • Atari
    • Go
    • Szachy
  • Znaczenie sprzętu
  • Postacie inteligencji
  • Drogi do superinteligencji
    • Sieci i organizacje
    • Usprawnienia biologiczne
    • Hybrydy mózg-maszyna
    • Emulacja całego mózgu
    • Sztuczna inteligencja
  • Eksplozja inteligencji
  • Cele i kontrola
    • Superinteligencja i cele
    • Superinteligencja i kontrola
  • Możliwe skutki
  • Wnioski
  • Literatura cytowana

Część II. Finanse i uczenie maszynowe

3. Finanse normatywne

  • Niepewność i ryzyko
    • Definicje
    • Przykład liczbowy
  • Teoria oczekiwanej użyteczności
    • Założenia i wyniki
    • Przykład liczbowy
  • Model Markowitza
    • Założenia i wyniki
    • Przykład liczbowy
  • Model wyceny dóbr kapitałowych
    • Założenia i wyniki
    • Przykład liczbowy
  • Teoria wyceny arbitrażowej
    • Założenia i wyniki
    • Przykład liczbowy
  • Wnioski
  • Literatura cytowana

4. Finanse sterowane danymi

  • Metoda naukowa
  • Ekonometria finansowa i regresja
  • Dostępność danych
    • Programowe API
    • Ustrukturyzowane dane historyczne
    • Ustrukturyzowane dane strumieniowe
    • Nieustrukturyzowane dane historyczne
    • Nieustrukturyzowane dane strumieniowe
    • Dane alternatywne
  • Jeszcze o teoriach normatywnych
    • Oczekiwana użyteczność a rzeczywistość
    • Model Markowitza
    • Model wyceny dóbr kapitałowych
    • Teoria wyceny arbitrażowej
  • Obalanie podstawowych założeń
    • Rozkład normalny stóp zwrotu
    • Zależności liniowe
  • Wnioski
  • Literatura cytowana
  • Kod w Pythonie

5. Uczenie maszynowe

  • Uczenie
  • Dane
  • Sukces
  • Pojemność
  • Ocena
  • Obciążenie i wariancja
  • Sprawdzian krzyżowy
  • Wnioski
  • Literatura cytowana

6. Finanse bazujące na sztucznej inteligencji

  • Efektywne rynki
  • Predykcje rynkowe na podstawie stóp zwrotu
  • Predykcje rynkowe z wykorzystaniem większej liczby cech
  • Predykcje rynkowe w trakcie przebiegu sesji
  • Wnioski
  • Literatura cytowana

Część III. Nieefektywność statystyczna

7. Gęste sieci neuronowe

  • Dane
  • Predykcje bazowe
  • Normalizacja
  • Dropout
  • Regularyzacja
  • Bagging
  • Optymalizatory
  • Wnioski
  • Literatura cytowana

8. Rekurencyjne sieci neuronowe

  • Pierwszy przykład
  • Drugi przykład
  • Finansowe szeregi czasowe
  • Finansowe szeregi czasowe ze stopami zwrotu
  • Cechy finansowe
    • Estymacja
    • Klasyfikacja
    • Głębokie rekurencyjne sieci neuronowe
  • Wnioski
  • Literatura cytowana

9. Uczenie przez wzmacnianie

  • Podstawowe zagadnienia
  • OpenAI Gym
  • Agent bazujący na metodzie Monte Carlo
  • Agent bazujący na sieci neuronowej
  • Agent DQL
  • Proste środowisko finansowe
  • Lepsze środowisko finansowe
    • Różne rodzaje środowisk i danych
  • Agent FQL
  • Wnioski
  • Literatura cytowana

Część IV. Handel algorytmiczny

10. Wektorowe testy historyczne

  • Testy historyczne strategii bazującej na prostych średnich kroczących
  • Testy historyczne dziennej strategii bazującej na gęstej sieci neuronowej
  • Testy historyczne strategii daytradingu bazującej na gęstej sieci neuronowej
  • Wnioski
  • Literatura cytowana

11. Zarządzanie ryzykiem

  • Bot handlowy
  • Zwektoryzowane testy historyczne
  • Testy historyczne bazujące na zdarzeniach
  • Ocena ryzyka
  • Testy historyczne zleceń obronnych
    • Zlecenia stop loss (SL)
    • Zlecenia trailing stop loss (TSL)
    • Zlecenia take profit (TP)
  • Wnioski
  • Literatura cytowana
  • Kod w Pythonie
    • Środowisko Finance
    • Bot handlowy
    • Klasa BacktestingBase
    • Klasa do przeprowadzania testów historycznych

12. Realizowanie zleceń i stosowanie systemu

  • Konto w platformie Oanda
  • Pobieranie danych
  • Realizacja zleceń
  • Bot handlowy
  • Stosowanie systemu
  • Wnioski
  • Literatura cytowana
  • Kod w Pythonie
    • Środowisko platformy Oanda
    • Zwektoryzowane testy historyczne
    • Bot handlowy działający w platformie Oanda

Część V. Perspektywy

13. Konkurencja bazująca na sztucznej inteligencji

  • Sztuczna inteligencja i finanse
  • Brak standaryzacji
  • Edukacja i szkolenia
  • Rywalizacja o zasoby
  • Wpływ na rynek
  • Scenariusze rywalizacji
  • Zagrożenia, regulacje i nadzór
  • Wnioski
  • Literatura cytowana

14. Osobliwość finansowa

  • Uwagi i definicje
  • O co toczy się gra?
  • Drogi do osobliwości finansowej
  • Niezależne umiejętności i zasoby
  • Scenariusze "przedtem" i "potem"
  • Wnioski
  • Literatura cytowana

Dodatki

A. Interaktywne sieci neuronowe

  • Tensory i operacje na tensorach
  • Proste sieci neuronowe
    • Estymacja
    • Klasyfikacja
  • Płytkie sieci neuronowe
    • Estymacja
    • Klasyfikacja
  • Literatura cytowana

B. Klasy do tworzenia sieci neuronowych

  • Funkcje aktywacji
  • Proste sieci neuronowe
    • Estymacja
    • Klasyfikacja
  • Płytkie sieci neuronowe
    • Estymacja
    • Klasyfikacja
  • Prognozowanie kierunku rynku

C. Konwolucyjne sieci neuronowe

  • Cechy i etykiety
  • Uczenie modelu
  • Testowanie modelu
  • Literatura cytowana

Skorowidz

  • Назва: Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI
  • Автор: Yves Hilpisch
  • Оригінальна назва: Artificial Intelligence in Finance: A Python-Based Guide
  • Переклад: Tomasz Walczak
  • ISBN: 978-83-283-8894-9, 9788328388949
  • Дата видання: 2022-06-28
  • Формат: Eлектронна книга
  • Ідентифікатор видання: szinfi
  • Видавець: Helion