近年來，人工智能在各個領域被廣泛應用，但對于很多金融從業(yè)人員來說，人工智能仍然給人一種高深莫測的感覺。本書旨在從新技術（如人工智能）的視角給出金融業(yè)務的新興解決方案。
本書內容通俗易懂，不僅揭示了人工智能在金融業(yè)中的重要性，還結合機器學習算法和示例給出了一系列的金融科技解決方案，涉及時間序列分析、強化學習、預測分析、自動化投資組合管理、情緒分析、自然語言處理等知識點。此外，本書還結合現實工作總結了相關的注意事項。
本書適合傳統金融行業(yè)的從業(yè)者以及新興金融科技領域的實踐者閱讀。讀者可從本書深入淺出的知識點和案例中了解到人工智能的魅力，為更好地運用人工智能技術賦能金融業(yè)務做好準備。
一本書輕松讀懂金融科技的核心內涵；
眾多業(yè)界人士推薦，內容通俗易懂；
立足AI視角，解讀金融業(yè)務新形態(tài)；
書中囊括豐富的算法講解和代碼示例；
更有一系列金融科技解決方案。
吳漢銘（Jeffrey Ng），特許金融分析師（CFA），注冊金融科技師（CFT），畢業(yè)于香港理工大學計算機與管理專業(yè)，并持有香港中文大學的金融MBA學位。曾任平安壹賬通銀行（香港）有限公司（Ping An OneConnect Bank (Hong Kong) Limited）金融科技部負責人（head of FinTech solutions）。他致力于推進人工智能在銀行和金融生態(tài)系統中的應用。在此之前，他曾是法國巴黎銀行（BNP Paribas）亞太區(qū)數據實驗室的領導，為企業(yè)構建人工智能和數據分析的解決方案，并擔任我國香港地區(qū)的法國工商會金融科技委員會（French Chamber of Commerce's FinTech Committee）的副主席。2010年，作為將客戶分析應用到投資銀行業(yè)務的先驅之一，他在銀行中建立了分析團隊。他曾與普華永道咨詢（PwC Consulting）公司和通用電氣消費者金融集團（GE Money）合作，在零售銀行和商業(yè)銀行中開展人工智能項目。
蘇哈什·沙阿（Subhash Shah），在AIMDek Technologies私人股份有限公司擔任技術主管（head of technology）。他是一位經驗豐富的解決方案架構師，擁有超過12年的相關工作經驗。他擁有信息技術學位，是開源代碼的倡導者，并擅長利用開源代碼以較低成本解決關鍵業(yè)務問題。他的興趣包括微服務、數據分析、
機器學習、人工智能和數據庫。他是優(yōu)質代碼和測試驅動的開發(fā)（Test Driven Development，TDD）的崇尚者。他的技能包括但不限于：將業(yè)務需求轉化為可擴展的架構、設計可持續(xù)的解決方案以及項目交付。他是MySQL 8 Administrator's Guide和Hands-On High Performance with Spring 5這兩本書的合著者。
第 1部分 金融業(yè)人工智能概述
第 1章 人工智能在金融業(yè)中的重要性 3
1．1 什么是人工智能 4
1．1．1 機器是如何學習的 5
1．1．2 實施人工智能的軟件要求 6
1．1．3 實施人工智能的硬件要求 9
1．1．4 建模方法論—CRISP-DM 11
1．2 了解金融業(yè) 12
1．2．1 金融業(yè)相對于全球經濟的規(guī)�！�14
1．2．2 金融業(yè)的客戶 16
1．3 金融業(yè)務可獲得性的重要性 17
1．3．1 開源軟件和數據 18
1．3．2 我們?yōu)槭裁葱枰斯ぶ悄堋?9
1．4 人工智能在金融業(yè)的應用 19
1．5 本章小結 22
第 2部分 機器學習算法和實例
第 2章 時間序列分析 25
2．1 了解時間序列分析 26
2．2 M2M通信 28
2．2．1 商業(yè)銀行業(yè)務簡介 29
2．2．2 M2M通信在商業(yè)銀行業(yè)務中的作用 29
2．3 金融市場的基本概念 30
2．4 人工智能模型 33
2．4．1 時間序列模型ARIMA模型簡介 34
2．4．2 神經網絡簡介—準確預測需求的秘訣 35
2．5 使用時間序列分析進行需求預測 38
2．5．1 下載數據 38
2．5．2 對數據進行預處理 39
2．5．3 通過擬合數據來建立模型 40
2．6 基于Keras的神經網絡在大宗商品采購中的應用 41
2．7 本章小結 49
第3章 使用強化學習自動化商業(yè)銀行貸款融資 51
3．1 分解商業(yè)銀行的業(yè)務 52
3．1．1 主要風險類型 53
3．1．2 資產和負債管理 53
3．1．3 利率計算 54
3．1．4 信用評級 55
3．2 人工智能建模技術 55
3．2．1 蒙特卡羅模擬 56
3．2．2 邏輯回歸模型 56
3．2．3 決策樹 56
3．2．4 神經網絡 57
3．2．5 強化學習 58
3．2．6 深度學習 59
3．3 模型性能的測量指標 60
3．3．1 指標1—ROC曲線 60
3．3．2 指標2—混淆矩陣 62
3．3．3 指標3—分類報告 62
3．4 構建破產風險預測模型 63
3．4．1 獲取數據 63
3．4．2 構建模型 64
3．5 使用強化學習自動化貸款融資 68
3．5．1 了解利益相關者 69
3．5．2 得出解決方案 70
3．6 本章小結 75
第4章 資本市場決策自動化 77
4．1 了解投資銀行業(yè)務的愿景 78
4．2 財務領域的基本概念 79
4．2．1 財務報表 79
4．2．2 優(yōu)化公司最佳資本結構的理論 81
4．2．3 測量項目價值的全要素生產率 83
4．2．4 一個項目的現金流模式 84
4．2．5 預測財務報表條目 86
4．3 人工智能建模思想 87
4．3．1 線性優(yōu)化 88
4．3．2 線性回歸 88
4．4 尋找最佳資本結構 89
4．5 使用宏觀經濟場景來提供財務表現預測 95
4．6 本章小結 97
第5章 預測投資銀行（券商）業(yè)務 99
5．1 投資銀行（券商）業(yè)務基礎知識 100
5．1．1 投資銀行在IPO中的工作 100
5．1．2 股票分類—股票風格 101
5．1．3 投資者分類 101
5．1．4 合并和收購 101
5．1．5 人工智能在并購中的應用 103
5．1．6 上市公司的申報義務 104
5．2 了解數據技術 104
5．3 聚類模型 105
5．4 新發(fā)行證券的自動辛迪加融資 106
5．4．1 解決問題的步驟 107
5．4．2 構建相似度模型 108
5．4．3 構建投資者聚類模型 108
5．4．4 構建股票聚類模型 110
5．5 識別收購者和目標公司 115
5．6 本章小結 119
第6章 使用特雷諾·布萊克模型和ResNet自動化投資組合管理 121
6．1 財務概念 122
6．1．1 資本資產定價模型中的alpha和beta回報 122
6．1．2 已實現和未實現投資回報 122
6．1．3 投資政策聲明 122
6．1．4 資產類別 124
6．1．5 投資行業(yè)的參與者 124
6．1．6 基準—比較的基線 125
6．1．7 投資者是要尋求回報的 125
6．1．8 趨勢跟蹤基金 126
6．1．9 交易策略 127
6．2 理解馬科維茨的均值-方差組合模型 127
6．3 探索特雷諾·布萊克模型 130
6．4 基于特雷諾·布萊克模型構建投資組合 134
6．5 預測證券的走勢 140
6．6 本章小結 148
第7章 感知市場情緒，在賣方進行算法營銷 149
7．1 理解情緒分析 150
7．2 利用情緒分析感知市場需求 150
7．3 基于Neo4j的關系網絡構建與分析 157
7．4 本章小結 164
第8章 使用API構建個人財富顧問機器人 165
8．1 管理客戶的數字數據 166
8．2 開放銀行項目 167
8．2．1 手機App—使用Flask和MongoDB構建API 168
8．2．2 了解IPS 169
8．2．3 行為分析—支出分析 170
8．2．4 通過API對外提供人工智能服務 170
8．3 文檔布局分析 170
8．3．1 文檔布局分析步驟 171
8．3．2 使用Gensim建立主題模型 172
8．3．3 Word2Vec的向量維數 172
8．4 使用開放銀行API預測現金流 173
8．5 使用發(fā)票實體識別記錄日常開支 178
8．6 本章小結 181
第9章 客戶終身財富的大規(guī)模定制 183
9．1 財富工具的金融概念 184
9．2 集成學習 185
9．3 預測客戶反應 185
9．4 構建聊天機器人為客戶提供全天候服務 187
9．5 基于NLP和圖的知識管理 189
9．5．1 基于圖數據庫的知識檢索 189
9．5．2 具體實施 189
9．6 本章小結 194
第 10章 現實工作中的注意事項 195
10．1 本書所涵蓋技術的摘要 196
10．2 對金融專業(yè)人士、監(jiān)管機構和政府的影響 197
10．2．1 對金融專業(yè)人士的影響 197
10．2．2 對監(jiān)管機構的影響 198
10．2．3 對政府的影響 198
10．3 如何提取特征并獲取業(yè)務領域知識 199
10．4 與人工智能部署相關的IT生產環(huán)境考慮因素 200
10．5 去哪里尋找更多的用例 201
10．6 哪些領域需要更多的實際研究 201
10．7 本章小結 202
書單推薦
