近年来，人工智能在各个领域被广泛应用，但对于很多金融从业人员来说，人工智能仍然给人一种高深莫测的感觉。本书旨在从新技术（如人工智能）的视角给出金融业务的新兴解决方案。
本书内容通俗易懂，不仅揭示了人工智能在金融业中的重要性，还结合机器学习算法和示例给出了一系列的金融科技解决方案，涉及时间序列分析、强化学习、预测分析、自动化投资组合管理、情绪分析、自然语言处理等知识点。此外，本书还结合现实工作总结了相关的注意事项。
本书适合传统金融行业的从业者以及新兴金融科技领域的实践者阅读。读者可从本书深入浅出的知识点和案例中了解到人工智能的魅力，为更好地运用人工智能技术赋能金融业务做好准备。
一本书轻松读懂金融科技的核心内涵；
众多业界人士推荐，内容通俗易懂；
立足AI视角，解读金融业务新形态；
书中囊括丰富的算法讲解和代码示例；
更有一系列金融科技解决方案。
吴汉铭（Jeffrey Ng），特许金融分析师（CFA），注册金融科技师（CFT），毕业于香港理工大学计算机与管理专业，并持有香港中文大学的金融MBA学位。曾任平安壹账通银行（香港）有限公司（Ping An OneConnect Bank (Hong Kong) Limited）金融科技部负责人（head of FinTech solutions）。他致力于推进人工智能在银行和金融生态系统中的应用。在此之前，他曾是法国巴黎银行（BNP Paribas）亚太区数据实验室的领导，为企业构建人工智能和数据分析的解决方案，并担任我国香港地区的法国工商会金融科技委员会（French Chamber of Commerce's FinTech Committee）的副主席。2010年，作为将客户分析应用到投资银行业务的先驱之一，他在银行中建立了分析团队。他曾与普华永道咨询（PwC Consulting）公司和通用电气消费者金融集团（GE Money）合作，在零售银行和商业银行中开展人工智能项目。
苏哈什·沙阿（Subhash Shah），在AIMDek Technologies私人股份有限公司担任技术主管（head of technology）。他是一位经验丰富的解决方案架构师，拥有超过12年的相关工作经验。他拥有信息技术学位，是开源代码的倡导者，并擅长利用开源代码以较低成本解决关键业务问题。他的兴趣包括微服务、数据分析、
机器学习、人工智能和数据库。他是优质代码和测试驱动的开发（Test Driven Development，TDD）的崇尚者。他的技能包括但不限于：将业务需求转化为可扩展的架构、设计可持续的解决方案以及项目交付。他是MySQL 8 Administrator's Guide和Hands-On High Performance with Spring 5这两本书的合著者。
第 1部分 金融业人工智能概述
第 1章 人工智能在金融业中的重要性 3
1．1 什么是人工智能 4
1．1．1 机器是如何学习的 5
1．1．2 实施人工智能的软件要求 6
1．1．3 实施人工智能的硬件要求 9
1．1．4 建模方法论—CRISP-DM 11
1．2 了解金融业 12
1．2．1 金融业相对于全球经济的规模 14
1．2．2 金融业的客户 16
1．3 金融业务可获得性的重要性 17
1．3．1 开源软件和数据 18
1．3．2 我们为什么需要人工智能 19
1．4 人工智能在金融业的应用 19
1．5 本章小结 22
第 2部分 机器学习算法和实例
第 2章 时间序列分析 25
2．1 了解时间序列分析 26
2．2 M2M通信 28
2．2．1 商业银行业务简介 29
2．2．2 M2M通信在商业银行业务中的作用 29
2．3 金融市场的基本概念 30
2．4 人工智能模型 33
2．4．1 时间序列模型ARIMA模型简介 34
2．4．2 神经网络简介—准确预测需求的秘诀 35
2．5 使用时间序列分析进行需求预测 38
2．5．1 下载数据 38
2．5．2 对数据进行预处理 39
2．5．3 通过拟合数据来建立模型 40
2．6 基于Keras的神经网络在大宗商品采购中的应用 41
2．7 本章小结 49
第3章 使用强化学习自动化商业银行贷款融资 51
3．1 分解商业银行的业务 52
3．1．1 主要风险类型 53
3．1．2 资产和负债管理 53
3．1．3 利率计算 54
3．1．4 信用评级 55
3．2 人工智能建模技术 55
3．2．1 蒙特卡罗模拟 56
3．2．2 逻辑回归模型 56
3．2．3 决策树 56
3．2．4 神经网络 57
3．2．5 强化学习 58
3．2．6 深度学习 59
3．3 模型性能的测量指标 60
3．3．1 指标1—ROC曲线 60
3．3．2 指标2—混淆矩阵 62
3．3．3 指标3—分类报告 62
3．4 构建破产风险预测模型 63
3．4．1 获取数据 63
3．4．2 构建模型 64
3．5 使用强化学习自动化贷款融资 68
3．5．1 了解利益相关者 69
3．5．2 得出解决方案 70
3．6 本章小结 75
第4章 资本市场决策自动化 77
4．1 了解投资银行业务的愿景 78
4．2 财务领域的基本概念 79
4．2．1 财务报表 79
4．2．2 优化公司最佳资本结构的理论 81
4．2．3 测量项目价值的全要素生产率 83
4．2．4 一个项目的现金流模式 84
4．2．5 预测财务报表条目 86
4．3 人工智能建模思想 87
4．3．1 线性优化 88
4．3．2 线性回归 88
4．4 寻找最佳资本结构 89
4．5 使用宏观经济场景来提供财务表现预测 95
4．6 本章小结 97
第5章 预测投资银行（券商）业务 99
5．1 投资银行（券商）业务基础知识 100
5．1．1 投资银行在IPO中的工作 100
5．1．2 股票分类—股票风格 101
5．1．3 投资者分类 101
5．1．4 合并和收购 101
5．1．5 人工智能在并购中的应用 103
5．1．6 上市公司的申报义务 104
5．2 了解数据技术 104
5．3 聚类模型 105
5．4 新发行证券的自动辛迪加融资 106
5．4．1 解决问题的步骤 107
5．4．2 构建相似度模型 108
5．4．3 构建投资者聚类模型 108
5．4．4 构建股票聚类模型 110
5．5 识别收购者和目标公司 115
5．6 本章小结 119
第6章 使用特雷诺·布莱克模型和ResNet自动化投资组合管理 121
6．1 财务概念 122
6．1．1 资本资产定价模型中的alpha和beta回报 122
6．1．2 已实现和未实现投资回报 122
6．1．3 投资政策声明 122
6．1．4 资产类别 124
6．1．5 投资行业的参与者 124
6．1．6 基准—比较的基线 125
6．1．7 投资者是要寻求回报的 125
6．1．8 趋势跟踪基金 126
6．1．9 交易策略 127
6．2 理解马科维茨的均值-方差组合模型 127
6．3 探索特雷诺·布莱克模型 130
6．4 基于特雷诺·布莱克模型构建投资组合 134
6．5 预测证券的走势 140
6．6 本章小结 148
第7章 感知市场情绪，在卖方进行算法营销 149
7．1 理解情绪分析 150
7．2 利用情绪分析感知市场需求 150
7．3 基于Neo4j的关系网络构建与分析 157
7．4 本章小结 164
第8章 使用API构建个人财富顾问机器人 165
8．1 管理客户的数字数据 166
8．2 开放银行项目 167
8．2．1 手机App—使用Flask和MongoDB构建API 168
8．2．2 了解IPS 169
8．2．3 行为分析—支出分析 170
8．2．4 通过API对外提供人工智能服务 170
8．3 文档布局分析 170
8．3．1 文档布局分析步骤 171
8．3．2 使用Gensim建立主题模型 172
8．3．3 Word2Vec的向量维数 172
8．4 使用开放银行API预测现金流 173
8．5 使用发票实体识别记录日常开支 178
8．6 本章小结 181
第9章 客户终身财富的大规模定制 183
9．1 财富工具的金融概念 184
9．2 集成学习 185
9．3 预测客户反应 185
9．4 构建聊天机器人为客户提供全天候服务 187
9．5 基于NLP和图的知识管理 189
9．5．1 基于图数据库的知识检索 189
9．5．2 具体实施 189
9．6 本章小结 194
第 10章 现实工作中的注意事项 195
10．1 本书所涵盖技术的摘要 196
10．2 对金融专业人士、监管机构和政府的影响 197
10．2．1 对金融专业人士的影响 197
10．2．2 对监管机构的影响 198
10．2．3 对政府的影响 198
10．3 如何提取特征并获取业务领域知识 199
10．4 与人工智能部署相关的IT生产环境考虑因素 200
10．5 去哪里寻找更多的用例 201
10．6 哪些领域需要更多的实际研究 201
10．7 本章小结 202
书单推荐
