书名：金融人工智能:用Python实现AI量化交易  
定价：129.8  
ISBN：9787115594556  
作者：伊夫·希尔皮斯科  
版次：第1版  
出版时间：2022-08  

内容提要：  
本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学*等深度学*技术预测金融市场。本书分为六大部分。*部分介绍人工智能算法的核心概念，包括监督学*和神经网络，并描绘*人工智能愿景。*部分讨论机器学*技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学*技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。  



作者简介：  
伊夫·希尔皮斯科（Yves Hilpisch），金融数学博士，Python Quants公司*兼CEO，致力于普及人工智能、算法交易等相关技术在金融数据中的应用。此外，他还创建了AI Machine平台，提供人工智能算法交易策略的标准化部署。伊夫是国际量化投资分析师认证（CQF）讲师，讲授计算金融学、机器学*和算法交易。他另著有《Python金融大数据分析》。 【译者介绍】 石磊磊，在人工智能领域深耕20余年，曾任职于蚂蚁金服、微软等国内外知名公司，主导了多个金融模型的开发，服务于全球数亿设备，带领团队研发了工业级实时动态图风控系统，在金融风险管理和量化交易方面有丰富的研究经验和应用经验。 余宇新，上海外国语大学副教授，金融大数据中心执行主任，上海市创新政策评估研究中心研究员，发表论文40余篇，开发大数据算法获国家发明专利授权1项，曾参与多项人工智能产品研发工作。 李煜鑫，上海外国语大学副教授，硕士生导师；英国华威大学特聘研究员，博士生导师；英国约克大学经济学院博士；在国内外从事金融学相关研究近20年，在国内外核心期刊上发表论文30余篇，撰写了多部专著。  

目录：  
前言 xiii  
第 一部分　机器智能  
第 1 章　人工智能 3  
1.1　算法 3  
1.1.1　数据类型 3  
1.1.2　学*类型 4  
1.1.3　任务类型 7  
1.1.4　方法类型 7  
1.2　神经网络 8  
1.2.1　OLS回归 8  
1.2.2　神经网络估计 12  
1.2.3　神经网络分类 17  
1.3　数据的重要性 19  
1.3.1　小数据集 19  
1.3.2　更大的数据集 22  
1.3.3　大数据 24  
1.4　结论 25  
第 2 章　*智能 26  
2.1　成功故事 27  
2.1.1　雅达利（Atari） 27  
2.1.2　围棋（Go） 32  
2.1.3　国际象棋（Chess） 33  
2.2　硬件的重要性 35  
2.3　智能的形式 36  
2.4　通往*智能的途径 37  
2.4.1　网络和组织 38  
2.4.2　生物增强 38  
2.4.3　脑机混合 38  
2.4.4　全脑模拟 39  
2.4.5　人工智能 39  
2.5　智能爆炸 40  
2.6　目标和控制 41  
2.6.1　*智能和目标 41  
2.6.2　*智能和控制 42  
2.7　潜在的结果 43  
2.8　结论 45  
*部分　金融和机器学*  
第 3 章　规范性金融理论 49  
3.1　不确定性与风险 50  
3.1.1　定义 50  
3.1.2　数字模拟例子 51  
3.2　预期效用理论 53  
3.2.1　假设和结论 53  
3.2.2　数值例子 55  
3.3　均值 方差投资组合理论 57  
3.3.1　假设和结论 57  
3.3.2　数值例子 59  
3.4　资本资产定价模型 67  
3.4.1　假设和结论 67  
3.4.2　数值例子 69  
3.5　套利定价理论 74  
3.5.1　假设和结论 74  
3.5.2　数值例子 75  
3.6　结论 77  
第 4 章　数据驱动的金融学 78  
4.1　科学方法 78  
4.2　金融计量经济学与回归 79  
4.3　数据可用性 82  
4.3.1　可编程API 82  
4.3.2　结构化历史数据 83  
4.3.3　结构化流数据 85  
4.3.4　非结构化历史数据 86  
4.3.5　非结构化流数据 88  
4.3.6　非传统数据 89  
4.4　重新审视规范性理论 93  
4.4.1　预期效用与现实 93  
4.4.2　均值–方差投资组合理论 96  
4.4.3　资本资产定价模型 103  
4.4.4　套利定价理论 107  
4.5　揭示中心假设 115  
4.5.1　正态分布收益率 115  
4.5.2　线性关系 124  
4.6　结论 126  
4.7　Python代码段 126  
第 5 章　机器学* 130  
5.1　学* 131  
5.2　数据 131  
5.3　成功 133  
5.4　容量 137  
5.5　评估 140  
5.6　偏差和方差 145  
5.7　交叉验证 147  
5.8　结论 149  
第 6 章　人工智能优先的金融 150  
6.1　有效市场 150  
6.2　基于收益数据的市场预测 155  
6.3　基于更多特征的市场预测 161  
6.4　日内市场预测 166  
6.5　结论 167  
第三部分　统计失效  
第 7 章　密集神经网络 171  
7.1　数据 171  
7.2　基线预测 173  
7.3　归一化 177  
7.4　暂退 179  
7.5　正则化 181  
7.6　装袋 184  
7.7　优化器 185  
7.8　结论 186  
第 8 章　循环神经网络 187  
8.1　第 一个示例 188  
8.2　*个示例 191  
8.3　金融价格序列 194  
8.4　金融收益率序列 197  
8.5　金融特征 199  
8.5.1　估计 199  
8.5.2　分类 200  
8.5.3　深度RNN 201  
8.6　结论 202  
第 9 章　强化学* 203  
9.1　基本概念 204  
9.2　OpenAI Gym 205  
9.3　蒙特卡罗智能体 208  
9.4　神经网络智能体 210  
9.5　DQL智能体 212  
9.6　简单的金融沙箱 216  
9.7　更好的金融沙箱 220  
9.8　FQL智能体 222  
9.9　结论 227  
第四部分　算法交易  
第 10 章　向量化回测 231  
10.1　基于SMA策略的回测 232  
10.2　基于DNN的每日策略的回测 237  
10.3　基于DNN的日内策略的回测 243  
10.4　结论 248  
第 11 章 风险管理 249  
11.1　交易机器人 250  
11.2　向量化回测 253  
11.3　基于事件的回测 255  
11.4　风险评估 261  
11.5　风控措施回测 264  
11.5.1　止损 266  
11.5.2　跟踪止损 268  
11.5.3　止盈 269  
11.6　结论 272  
11.7　Python代码 273  
11.7.1　金融环境 273  
11.7.2　交易机器人 275  
11.7.3　回测基类 279  
11.7.4　回测类 281  
第 12 章　执行与部署 284  
12.1　Oanda账户 285  
12.2　数据检索 285  
12.3　订单执行 289  
12.4　交易机器人 294  
12.5　部署 300  
12.6　结论 304  
12.7　Python代码 304  
12.7.1　Oanda环境 304  
12.7.2　向量化回测 307  
12.7.3　Oanda交易机器人 308  
第五部分　展望  
第 13 章　基于人工智能的竞争 313  
13.1　人工智能和金融 313  
13.2　标准的缺失 315  
13.3　教育和培训 316  
13.4　资源争夺 317  
13.5　市场影响 318  
13.6　竞争场景 319  
13.7　风险、监管和监督 320  
13.8　结论 322  
第 14 章　金融奇点 323  
14.1　概念和定义 323  
14.2　风险是什么 324  
14.3　通往金融奇点的途径 327  
14.4　正交技能和资源 328  
14.5　之前和之后的情景 328  
14.6　星际迷航还是星球大战 329  
14.7　结论 329  
第六部分　附录  
附录A　交互式神经网络 333  
附录B　神经网络类 348  
附录C　卷积神经网络 360  
参考文献 366