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