Sztuczna inteligencja w finansach

Sztuczna inteligencja w finansach

by Yves Hilpisch
Released June 2021
Publisher(s): Helion
ISBN: 9788328388949

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

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

Table of contents

  1. Przedmowa
    1. Literatura cytowana
    2. Konwencje stosowane w tej książce
    3. Korzystanie z przykładowego kodu
    4. Podziękowania
  2. Część I. Inteligencja maszynowa
  3. Rozdział 1. Sztuczna inteligencja
    1. Algorytmy
      1. Rodzaje danych
      2. Rodzaje uczenia
        1. Uczenie nienadzorowane
        2. Uczenie przez wzmacnianie
      3. Rodzaje zadań
      4. Rodzaje podejść
    2. Sieci neuronowe
      1. Regresja metodą najmniejszych kwadratów (regresja OLS)
      2. Estymacja z wykorzystaniem sieci neuronowych
        1. Pakiet scikit-learn
        2. Pakiet Keras
      3. Klasyfikowanie z użyciem sieci neuronowych
    3. Znaczenie danych
      1. Mały zbiór danych
      2. Większe zbiory danych
      3. Duże zbiory danych
    4. Wnioski
    5. Literatura cytowana
  4. Rozdział 2. Superinteligencja
    1. Historie sukcesu
      1. Atari
        1. Historia
        2. Przykład
      2. Go
      3. Szachy
    2. Znaczenie sprzętu
    3. Postacie inteligencji
    4. Drogi do superinteligencji
      1. Sieci i organizacje
      2. Usprawnienia biologiczne
      3. Hybrydy mózg-maszyna
      4. Emulacja całego mózgu
      5. Sztuczna inteligencja
    5. Eksplozja inteligencji
    6. Cele i kontrola
      1. Superinteligencja i cele
      2. Superinteligencja i kontrola
    7. Możliwe skutki
    8. Wnioski
    9. Literatura cytowana
  5. Część II. Finanse i uczenie maszynowe
  6. Rozdział 3. Finanse normatywne
    1. Niepewność i ryzyko
      1. Definicje
      2. Przykład liczbowy
        1. Aktywa będące przedmiotem obrotu
        2. Arbitraż cenowy
    2. Teoria oczekiwanej użyteczności
      1. Założenia i wyniki
        1. Aksjomaty i teoria normatywna
        2. Preferencje agenta
        3. Funkcje użyteczności
        4. Funkcje oczekiwanej użyteczności
        5. Awersja do ryzyka
      2. Przykład liczbowy
    3. Model Markowitza
      1. Założenia i wyniki
        1. Statystyki dotyczące portfela
        2. Wskaźnik Sharpe’a
      2. Przykład liczbowy
        1. Statystyki dotyczące portfela
        2. Zbiór okazji inwestycyjnych
        3. Minimalna zmienność i maksymalny wskaźnik Sharpe’a
        4. Granica efektywna
    4. Model wyceny dóbr kapitałowych
      1. Założenia i wyniki
      2. Przykład liczbowy
        1. Linia rynku kapitałowego
        2. Portfel optymalny
        3. Krzywe obojętności
    5. Teoria wyceny arbitrażowej
      1. Założenia i wyniki
      2. Przykład liczbowy
    6. Wnioski
    7. Literatura cytowana
  7. Rozdział 4. Finanse sterowane danymi
    1. Metoda naukowa
    2. Ekonometria finansowa i regresja
    3. Dostępność danych
      1. Programowe API
      2. Ustrukturyzowane dane historyczne
      3. Ustrukturyzowane dane strumieniowe
      4. Nieustrukturyzowane dane historyczne
      5. Nieustrukturyzowane dane strumieniowe
      6. Dane alternatywne
    4. Jeszcze o teoriach normatywnych
      1. Oczekiwana użyteczność a rzeczywistość
      2. Model Markowitza
      3. Model wyceny dóbr kapitałowych
      4. Teoria wyceny arbitrażowej
    5. Obalanie podstawowych założeń
      1. Rozkład normalny stóp zwrotu
        1. Przykładowe zbiory danych
        2. Rzeczywiste stopy zwrotu na rynku finansowym
      2. Zależności liniowe
    6. Wnioski
    7. Literatura cytowana
    8. Kod w Pythonie
  8. Rozdział 5. Uczenie maszynowe
    1. Uczenie
    2. Dane
    3. Sukces
    4. Pojemność
    5. Ocena
    6. Obciążenie i wariancja
    7. Sprawdzian krzyżowy
    8. Wnioski
    9. Literatura cytowana
  9. Rozdział 6. Finanse bazujące na sztucznej inteligencji
    1. Efektywne rynki
    2. Predykcje rynkowe na podstawie stóp zwrotu
    3. Predykcje rynkowe z wykorzystaniem większej liczby cech
    4. Predykcje rynkowe w trakcie przebiegu sesji
    5. Wnioski
    6. Literatura cytowana
  10. Część III. Nieefektywność statystyczna
  11. Rozdział 7. Gęste sieci neuronowe
    1. Dane
    2. Predykcje bazowe
    3. Normalizacja
    4. Dropout
    5. Regularyzacja
    6. Bagging
    7. Optymalizatory
    8. Wnioski
    9. Literatura cytowana
  12. Rozdział 8. Rekurencyjne sieci neuronowe
    1. Pierwszy przykład
    2. Drugi przykład
    3. Finansowe szeregi czasowe
    4. Finansowe szeregi czasowe ze stopami zwrotu
    5. Cechy finansowe
      1. Estymacja
      2. Klasyfikacja
      3. Głębokie rekurencyjne sieci neuronowe
    6. Wnioski
    7. Literatura cytowana
  13. Rozdział 9. Uczenie przez wzmacnianie
    1. Podstawowe zagadnienia
    2. OpenAI Gym
    3. Agent bazujący na metodzie Monte Carlo
    4. Agent bazujący na sieci neuronowej
    5. Agent DQL
    6. Proste środowisko finansowe
    7. Lepsze środowisko finansowe
    8. Agent FQL
    9. Wnioski
    10. Literatura cytowana
  14. Część IV. Handel algorytmiczny
  15. Rozdział 10. Wektorowe testy historyczne
    1. Testy historyczne strategii bazującej na prostych średnich kroczących
    2. Testy historyczne dziennej strategii bazującej na gęstej sieci neuronowej
    3. Testy historyczne strategii daytradingu bazującej na gęstej sieci neuronowej
    4. Wnioski
    5. Literatura cytowana
  16. Rozdział 11. Zarządzanie ryzykiem
    1. Bot handlowy
    2. Zwektoryzowane testy historyczne
    3. Testy historyczne bazujące na zdarzeniach
    4. Ocena ryzyka
    5. Testy historyczne zleceń obronnych
      1. Zlecenia stop loss (SL)
      2. Zlecenia trailing stop loss (TSL)
      3. Zlecenia take profit (TP)
    6. Wnioski
    7. Literatura cytowana
    8. Kod w Pythonie
      1. Środowisko Finance
      2. Bot handlowy
      3. Klasa BacktestingBase
      4. Klasa do przeprowadzania testów historycznych
  17. Rozdział 12. Realizowanie zleceń i stosowanie systemu
    1. Konto w platformie Oanda
    2. Pobieranie danych
    3. Realizacja zleceń
    4. Bot handlowy
    5. Stosowanie systemu
    6. Wnioski
    7. Literatura cytowana
    8. Kod w Pythonie
      1. Środowisko platformy Oanda
      2. Zwektoryzowane testy historyczne
      3. Bot handlowy działający w platformie Oanda
  18. Część V. Perspektywy
  19. Rozdział 13. Konkurencja bazująca na sztucznej inteligencji
    1. Sztuczna inteligencja i finanse
    2. Brak standaryzacji
    3. Edukacja i szkolenia
    4. Rywalizacja o zasoby
    5. Wpływ na rynek
    6. Scenariusze rywalizacji
    7. Zagrożenia, regulacje i nadzór
    8. Wnioski
    9. Literatura cytowana
  20. Rozdział 14. Osobliwość finansowa
    1. Uwagi i definicje
    2. O co toczy się gra?
    3. Drogi do osobliwości finansowej
    4. Niezależne umiejętności i zasoby
    5. Scenariusze „przedtem” i „potem”
    6. Star Trek czy Gwiezdne Wojny?
    7. Wnioski
    8. Literatura cytowana
  21. Dodatki
  22. Dodatek A. Interaktywne sieci neuronowe
    1. Tensory i operacje na tensorach
    2. Proste sieci neuronowe
      1. Estymacja
      2. Klasyfikacja
    3. Płytkie sieci neuronowe
      1. Estymacja
      2. Klasyfikacja
    4. Literatura cytowana
  23. Dodatek B. Klasy do tworzenia sieci neuronowych
    1. Funkcje aktywacji
    2. Proste sieci neuronowe
      1. Estymacja
      2. Klasyfikacja
    3. Płytkie sieci neuronowe
      1. Estymacja
      2. Klasyfikacja
    4. Prognozowanie kierunku rynku
  24. Dodatek C. Konwolucyjne sieci neuronowe
    1. Cechy i etykiety
    2. Uczenie modelu
    3. Testowanie modelu
    4. Literatura cytowana
    5. O autorze
    6. Kolofon

Product information

  • Title: Sztuczna inteligencja w finansach
  • Author(s): Yves Hilpisch
  • Release date: June 2021
  • Publisher(s): Helion
  • ISBN: 9788328388949