Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI Lublin

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 Spis treści: 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 O autorze: Dr Yves Hilpisch - właściciel firm The Python Quants i The AI Machine specjalizujących się w projektowaniu i we wdrażaniu mechanizmów algorytmicznych, sztucznej inteligencji i uczenia maszynowego przy użyciu języka Python. Autor kilku książek analizujących zastosowanie tego języka w biznesie i profesor kontraktowy finansów obliczeniowych.