本书是为适应金融科技专业建设及金融计算机交叉学科发展需要而编写的。本书突出了智能金融的理论性、专业学习的适用性、教学实践的可用性以及行业发展的同步性。在智能金融的理论性方面，本书介绍了智能金融的基本原理以及场景价值，并深入讲解了相关智能方法的理论基础；在专业学习的适用性方面，本书介绍了有足够适用性的机器学习和人工智能的各类方法；在教学实践的可用性方面，本书详细列举了实践场景或代码案例；在行业发展的同步性方面，本书介绍了行业的发展现状和趋势及智能方法的最新进展，并对智能金融相关问题和焦点问题进行了分析解读。
本书可以作为金融科技、金融学、金融工程、数字经济、大数据与人工智能等相关专业的本科或研究生教学用书；用作本科教学用书时，教材内容可以适当取舍。同时，本书也可以作为其他层次或其他专业教学的参考教材或阅读材料。
- 目录
- 前辅文
- 第一章 智能金融的基本原理
- 第一节 人工智能概述
- 第二节 人工智能简史
- 第三节 中国的人工智能
- 第四节 智能金融的概念、场景与价值
- 第二章 智能金融中的线性方法
- 第一节 回归类分析方法及其运用场景概述
- 第二节 多元定性响应变量的回归模型
- 第三节 回归模型的选择、正则化与降维
- 第四节 支持向量机
- 第三章 关联规则分析与产品推荐
- 第一节 关联规则分析方法概述及其运用场景
- 第二节 Apriori 算法
- 第三节 协同过滤算法
- 第四节 公募基金持仓关联规则挖掘
- 第四章 降维
- 第一节 线性降维算法
- 第二节 非线性降维算法
- 第三节 特征选择算法
- 第五章 聚类
- 第一节 聚类方法简介
- 第二节 聚类算法中的距离
- 第三节 聚类方法介绍
- 第四节 金融中的聚类算法应用：信贷审批聚类分析
- 第六章 智能优化
- 第一节 智能优化综述
- 第二节 遗传算法
- 第三节 利用遗传规划挖掘宽基指数择时因子
- 第七章 树类分析方法
- 第一节 树类分析方法概述及其运用场景
- 第二节 决策树与随机森林
- 第三节 梯度提升决策树及其实现
- 第四节 集成学习
- 第五节 树类分析在金融领域的运用
- 第八章 概率图模型与贝叶斯分类
- 第一节 概率图简介
- 第二节 贝叶斯分类的原理
- 第三节 朴素贝叶斯分类算法
- 第四节 用朴素贝叶斯分类进行信用风险评级
- 第九章 深度学习
- 第一节 人工神经网络与反向传播算法
- 第二节 卷积神经网络
- 第三节 循环神经网络
- 第四节 注意力机制
- 第十章 自然语言处理技术
- 第一节 自然语言处理概述
- 第二节 中文分词与词向量
- 第三节 关键词提取与主题模型
- 第四节 文本分析案例
- 第十一章 半监督学习与强化学习
- 第一节 半监督学习
- 第二节 强化学习
- 第三节 深度强化学习方法
- 第四节 智能金融应用
- 第十二章 图数据分析
- 第一节 图数据的概念与应用场景
- 第二节 核方法与图核方法
- 第三节 图神经网络
- 第四节 基于图的机器学习算法的金融应用举例
- 第十三章 隐私计算
- 第一节 隐私计算的产生、分类与应用
- 第二节 安全多方计算
- 第三节 可信执行环境
- 第四节 联邦学习
- 第五节 联邦学习初步实践
- 第十四章 智能金融行业实践
- 第一节 智能金融在银行业的实践
- 第二节 智能金融在证券业的实践
- 第三节 智能金融在保险业的实践
- 第十五章 智能投顾
- 第一节 智能投顾简介
- 第二节 智能投顾原理
- 第三节 智能投顾监管政策
- 参考文献
