金融AI算法：人工智能在金融領域的前沿應用指南（簡體書）

第一部分 人工智能簡介
第1章 人工智能在金融領域的應用概述
引言
專家系統在金融領域中的應用
混合智能在金融中的應用
總結
附錄
第二部分 金融預測和交易
第2章 交易富時100 指數：“自適應”
建模和優化技術
引言
文獻綜述
相關金融數據
提出的方法
實證分析
結論和未來的工作
第3章 裂解價差的建模、預測和交易：一種用於訓練神經網絡的滑動窗口方法
引言
文獻綜述
描述性統計
方法
實證結果
結束語和研究的局限性
附錄
第4章 GEPTrader：一種用基因表達式編程構建交易策略的新工具
引言
文獻綜述
數據集
GEPTrader
實驗結果
結論
第三部分 經濟
第5章 商業智能助力經濟決策
引言
文獻綜述
創建商業自動化數據經濟模型的方法
模型的實證結果
結論
第四部分 信用風險與分析
第6章 信用風險評估中基於數據挖掘應用的自動化文獻分析
引言
材料和方法
結論和分析
結論
第7章 智能信用風險決策支持：架構和實施
引言
文獻綜述
信用風險領域的決策支持與專家系統
結論
第8章 人工智能在伊斯蘭債券評級預測中的應用
引言
文獻綜述
數據與研究方法
結果與分析
結論
附錄1
附錄2
附錄3
第五部分 投資組合管理、分析與優化
第9 章 不確定性下的多周期投資組合選擇：一種基於交互的方法
引言
模型
模擬結果
選擇的一致性
討論
結論
附錄：部分偽碼
第10章 運用多目標遺傳算法應對投資組合選擇中的模型風險
引言
投資組合優化與現代投資組合理論
模型風險的概念
用於組合優化的MOGA
投資組合的夏普比率誤差
股票預測模型
實驗
實證結果與分析
結論
第11章 線性回歸與模糊線性回歸：在共同基金經理績效評估中有何區別
引言
方法論
數據集描述
實證應用
結論與未來展望

本書以人工智能（Artificial Intelligence，AI）為關注點，提供了大量AI 應用於金融領域的案例。由於人工智能在金融領域的廣泛應用和迅速發展，本書作為“量化交易與投資的新發展”系列叢書的第一本由帕爾格雷夫?麥克米蘭出版社出版。這一系列叢書的目標受眾廣泛，包括學者和專業金融分析師等。本書的目標讀者是對預測、建模、交易、風險管理、經濟學、信用風險和投資組合管理感興趣的人。我們希望通過提供AI 在不同金融領域的實證應用，幫助那些正在尋找最新、最前沿AI 技術的學者和從業者。本書旨在為不同的市場和資產類別提供多種應用。此外，我們查找了大量的文獻後發現，介紹將人工智能應用於不同的金融領域或廣泛的市場和產品的文獻很少。
本書分為四個部分，每個部分都匯集了AI 領域的專家們的智能，這些都是最新的原創和未公開發表的內容。由於作者都是世界各地的老師和教授，所以文學碩士、理學碩士和工商管理碩士都可以從這些內容中找到可以借鑒的東西。此外，對於專業的金融預測專家而言，本書中關於AI 的全面、可操作和最新的洞察也是無可匹敵的。為了讓讀者有機會親自應用這些技術，本書還摘錄了一些編程代碼。
本書作者至少在三個方面超越了現有的文獻：第一，我們加入了AI 在時間序列模型、經濟學、信用和投資組合管理這四個不同金融領域中的實證應用；第二，我們運用的技術和方法非常廣泛，涵蓋了AI 的所有領域；第三，在每一章中，我們不僅調查了來自不同市場和資產類別的不同數據，而且調查了不同頻次的數據，包括每天的、每月的數據以及宏觀經濟變量，甚至不同來源的文本數據。我們認為，本書介紹的內容非常翔實和實用，同時也挑戰了現有金融機構和其他行業仍在使用的傳統模式和技術。要特別強調的是，後者非常重要，因為本書介紹的所有應用都清楚地展示了應用AI 來建模時間序列、提高政府決策能力、評估信用評級、選股和優化投資組合的優勢。

本書的主要內容
第一部分
在引言之後，第一部分重點介紹了各種時間序列，包括商品價差、股票和交易所交易基金。這一部分主要關注的是AI 方法在建模、預測和交易多種金融工具方面的應用。AI 方法包括人工神經網絡（artificial neural networks，ANN）、啟發式優化算法（heuristic optimization algorithms）和混合技術。這部分內容提供了金融時間序列分析應用於預測和交易的最新進展。我們通過對文獻的回顧發現，現有的方法要麼過時了，要麼範圍有限，因為它們每次只關注一個特定的資產類別。而且，大多數文獻都只關注對外匯和股票的預測。例如，王（Wang）等人對應用基於小波去噪（wavelet denoising）方法的反向傳播神經網絡（back propagation neural network，BPNN）預測上海證券綜合指數進行了研究和分析。這種神經網絡的性能是以傳統的反向傳播神經網絡為基準的。目前，由於AI 領域的迅速發展，其他研究大多數都被認為是多餘的。例如，齊裡利（Zirilli）曾經對神經網絡在金融市場預測中的實際應用進行了研究，然而當預測金融變量時，他使用的技術就不再有效了。這是因為數據越來越容易獲得，輸入數據集也越來越豐富，這就使捕捉輸入數據集和目標變量之間的關係的方法變得更準確。因此，對於最新的研究和技術革新而言，這種方法已過時了。
盡管很多期刊都刊載了關於將AI 應用於各類資產的論文，但我們並沒有發現關注AI，特別是其在金融工具和市場中的實證應用的書籍。因此，我們認為用整個章節專門介紹時間序列建模、預測和交易是完全合理的。
第二部分
第二部分側重於將經濟學作為一門更廣泛的學科，包括經濟變量的預測和行為經濟學，其中還提供了宏觀和微觀經濟分析。本部分的目的是為讀者展示AI在經濟建模領域的應用及其作為一種提高企業和政府層面決策能力的方法的案例。現有的各種研究都側重於基於主體的模擬，例如，萊特納（Leitner）和沃爾（Wall）使用基於主體的模擬來研究經濟和社會體系，泰廖（Teglio）等人也關注於依賴計算機模擬的社會和經濟模型，以對復雜的經濟和社會現象進行建模和研究。奧新加（Osinga）等人最近發表的另一篇論文也利用基於主體的建模來捕獲經濟變量之間的復雜關係。盡管這個部分只提供了一個實證應用，但是我們認為，要證明AI 的優勢，尤其是“商業智能”，還有很長的路要走。
由於我們在經濟建模領域進行了廣泛研究，很顯然，第二部分也應專門討論這方面的內容。事實上，鑒於這是近期的熱點，我們預計本書的第二部分會引起很多人的注意。
第三部分
第三部分重點分析了信用和公司結構建模。這可以幫助讀者了解在需要做出投資決策時，AI 在評估基礎數據和金融報表方面的作用。我們在初步調查後發現，目前很少有專門介紹運用AI 方法進行信用分析和企業金融分析的書籍。不過，我們發現有一些期刊論文提供了破產預測領域信用分析的觀點。例如，勞克瑞斯（Loukeris）和馬薩特思尼斯（Matsatsinis）嘗試使用AI 模型預測破產來研究企業金融。從這些期刊論文的研究結果來看，我們認為企業金融能夠從第三部分給出的實證結果中獲益。
阿爾特曼（Altman）等人在信用分析領域開展了早期研究，他們研究了網絡層的使用及其如何導致了現有破產預測模型的重分類率的提高。在這種情況下，人們發現AI 有助於識別資本結構和企業績效之間的關係。在企業金融領域的最新論文中，作者都會將AI方法應用於各種信用案例研究。
我們懷疑他們是受到了2008 年全球信貸危機的啟發，因為大多數論文都發表於2008 年信貸緊縮之後。例如，哈耶克（Hajek）利用神經網絡分類和遺傳程序對城市信用評級建模來確定他的輸入數據集，他的模型旨在根據美國各城市的風險水平來劃分它們的信用等級。該模型包括數據預處理、輸入變量的選擇過程和各種神經網絡分類結構的設計。每個解釋變量都提取自金融報表和統計報表。這些變量代表了神經網絡的輸入數據，而穆迪（Moody’s）評級機構的評級等級則是輸出數據。研究結果表明，即使使用有限的輸入變量的子集，神經網絡分類為債券發行人給出的評級等級也非常準確。哈耶克進行的進一步研究提出了一種使用基於模糊規則系統進行的信用評級分析。基於模糊規則的前饋神經網絡系統可以將美國公司（分為金融、制造業、采礦業、零售業、服務業和交通運輸業）和各個城市劃分為評級機構提供的信用評級等級。遺傳算法再次被當作搜索方法使用，而且也應用了過濾規則。實證結果證實，大部分現有研究對債券發行人的信用評級的分類都非常準確。對所選模糊規則分類器的比較表明，對不同行業使用不同的分類器可以提高分類性能。
萊昂? 索裡亞諾（León-Soriano）和姆諾斯? 托雷斯（Muñoz-Torres）使用三層前饋神經網絡對兩個主要機構的主權信用評級進行了建模。即使在使用了一組經過簡化的、公開的經濟數據的情況下，他們得到的結果也十分準確。鐘（Zhong）等人通過分析四種不同的學習算法的有效性為企業信用評級建模。這四種算法分別是反向傳播、極限學習機、增量極限學習機和支持向量機（support vector machine，SVM）。結果表明，支持向量機比其他算法更準確。
在破產預測和企業/ 主權信用評級領域進行的研究正日益廣泛。我們相信，讀者將從第三部分對信用和企業融資進行的研究中獲益。事實上，我們在第1 章介紹了AI 的一種應用，它可以發現哪些領域的信用最受歡迎。AI 正逐漸出現在對信用分析和企業融資的研究中，以挑戰那些現有的方法。然而這些方法也有不完善之處，而且無法消除2008 年“信貸危機”的負面影響。
第四部分
本書的最後一部分側重於通過證券選擇、投資組合構建和資產配置優化的案例來分析投資組合理論。這無疑是投資組合經理非常感興趣的內容，因為他們尋求從他們的資產組合中獲得最優回報。投資組合優化和證券選擇是AI 應用的重要研究領域之一。然而，我們發現只有少數期刊論文和書籍關注了這一特殊領域。此外，由於AI 方法不斷地更新和改進，這一領域的研究很快就會過時。
現有的期刊論文挑戰了馬科維茨（Markowitz）的均值? 方差法。例如，蘇布（Subbu）等人引入了一種強大的混合多目標優化方法，該方法將進化計算與線性規劃相結合，以同時實現回報最大化、風險最小化和識別滿足所有限制條件的投資組合的有效邊界。他們得出的結論是，他們的帕累托分類進化算法（pareto sorting evolutionary algorithm，PSEA）能夠穩定地識別帕累托前沿（pareto front）在收益和風險空間上定義的最優投資組合。他們還認為這種算法比二維的且被廣泛被接受的馬科維茨方法更有效。
由特裡皮（Trippi）和李（Lee）合著的一本書主要介紹了資產配置、時間決策、模式識別和風險評估。他們檢驗了馬科維茨的投資組合優化理論，並通過將其整合到一個基於知識的系統中而對其進行了調整。總的來說，這本書很有趣，但它已經是20 多年前出版的了。我們認為，更新的應用/ 方法可能對投資組合經理和機構投資者更有益。

致謝
特別感謝那些為本書提供了原創的最新研究成果的作者。感謝那些在本書編寫過程中發揮了重要作用的編輯們。感謝出版商幫助我們將本書呈現給讀者閱讀。
我們希望這本書的出版將能夠促進AI 在金融界的廣泛應用。本書中所展示的模型和方法尚未被更多的受眾注意到，部分原因是這些研究成果分散在各種期刊和論文集中。我們希望這本書能夠幫助新一代的定量分析師和研究人員更好、更準確地理解和解決復雜的問題。