91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
Python機(jī)器學(xué)習(xí)之金融風(fēng)險(xiǎn)管理
Python機(jī)器學(xué)習(xí)之金融風(fēng)險(xiǎn)管理
Abdullah Karasan 著
葉偉民, 徐俊, 朱明超, 鐘飛雄 譯
出版時(shí)間：2025年03月
頁(yè)數(shù)：248
“本書(shū)展示了Python在金融風(fēng)險(xiǎn)管理方面的應(yīng)用與實(shí)踐，這對(duì)任何金融機(jī)構(gòu)都至關(guān)重要?！?br /> ——Yves J.Hilpisch博士
The Python Quants、The AI Machine的創(chuàng)始人和首席執(zhí)行官
“如果你需要一本關(guān)于統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)算法在金融風(fēng)險(xiǎn)分析方面的應(yīng)用指南，本書(shū)就是一個(gè)不錯(cuò)的選擇。”
——Graham L. Giller
Adventures in Financial Data Science一書(shū)的作者
近年來(lái)，人工智能技術(shù)得到廣泛應(yīng)用，金融風(fēng)險(xiǎn)管理在其影響下得到了快速發(fā)展。本書(shū)面向程序員、工程師、財(cái)務(wù)分析師、風(fēng)險(xiǎn)分析師以及量化和算法分析師，講解基于Python的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)建模，引導(dǎo)讀者掌握基于人工智能的金融建模技能，并將相關(guān)知識(shí)應(yīng)用于金融風(fēng)險(xiǎn)管理實(shí)踐中。
本書(shū)不僅介紹金融風(fēng)險(xiǎn)建模背后的理論，還深入探討了將Python和機(jī)器學(xué)習(xí)算法融入金融風(fēng)險(xiǎn)建模的具體實(shí)踐。
通過(guò)閱讀本書(shū)，你將能夠：
● 回顧經(jīng)典的時(shí)間序列應(yīng)用，并將其與深度學(xué)習(xí)模型進(jìn)行比較；
● 探索波動(dòng)性建模，使用支持向量回歸、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)來(lái)衡量風(fēng)險(xiǎn)程度；
● 使用機(jī)器學(xué)習(xí)算法改進(jìn)市場(chǎng)風(fēng)險(xiǎn)模型；
● 使用聚類算法和貝葉斯方法進(jìn)行信用風(fēng)險(xiǎn)分析；
● 使用高斯混合模型和Copula模型捕獲流動(dòng)性風(fēng)險(xiǎn)；
● 使用機(jī)器學(xué)習(xí)模型進(jìn)行欺詐檢測(cè)；
● 使用機(jī)器學(xué)習(xí)模型預(yù)測(cè)股價(jià)。
  1. 第一部分 風(fēng)險(xiǎn)管理基礎(chǔ)
  2. 第1章 風(fēng)險(xiǎn)管理基礎(chǔ)知識(shí)
  3. 1.1 風(fēng)險(xiǎn)
  4. 1.2 收益
  5. 1.3 風(fēng)險(xiǎn)管理
  6. 1.3.1 主要的金融風(fēng)險(xiǎn)類型
  7. 1.3.2 風(fēng)險(xiǎn)管理失敗導(dǎo)致嚴(yán)重的財(cái)務(wù)危機(jī)
  8. 1.4 金融風(fēng)險(xiǎn)管理中的信息不對(duì)稱
  9. 1.4.1 逆向選擇
  10. 1.4.2 道德風(fēng)險(xiǎn)
  11. 1.5 本章小結(jié)
  12. 1.6 參考資料
  13. 第2章 時(shí)間序列建模簡(jiǎn)介
  14. 2.1 時(shí)間序列的成分
  15. 2.1.1 趨勢(shì)
  16. 2.1.2 季節(jié)性
  17. 2.1.3 周期性
  18. 2.1.4 殘差
  19. 2.2 傳統(tǒng)時(shí)間序列建模過(guò)程
  20. 2.3 白噪聲和信息準(zhǔn)則
  21. 2.4 MA、AR和ARIMA模型
  22. 2.4.1 MA模型
  23. 2.4.2 AR模型
  24. 2.4.3 ARIMA模型
  25. 2.5 本章小結(jié)
  26. 2.6 參考資料
  27. 第3章 使用深度學(xué)習(xí)進(jìn)行時(shí)間序列建模
  28. 3.1 RNN
  29. 3.2 LSTM
  30. 3.3 本章小結(jié)
  31. 3.4 參考資料
  32. 第二部分 使用ML管理市場(chǎng)、信用、流動(dòng)性和運(yùn)營(yíng)風(fēng)險(xiǎn)
  33. 第4章 基于ML的波動(dòng)率預(yù)測(cè)
  34. 4.1 ARCH模型
  35. 4.2 GARCH模型
  36. 4.3 GJR-GARCH模型
  37. 4.4 EGARCH模型
  38. 4.5 SVR-GARCH模型
  39. 4.6 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
  40. 4.7 貝葉斯方法
  41. 4.7.1 馬爾可夫鏈蒙特卡羅方法
  42. 4.7.2 M-H算法
  43. 4.8 本章小結(jié)
  44. 4.9 參考資料
  45. 第5章 市場(chǎng)風(fēng)險(xiǎn)建模
  46. 5.1 VaR模型
  47. 5.1.1 方差-協(xié)方差法
  48. 5.1.2 歷史模擬法
  49. 5.1.3 蒙特卡羅法
  50. 5.2 降噪
  51. 5.3 ES模型
  52. 5.4 考慮流動(dòng)性風(fēng)險(xiǎn)之后的ES模型
  53. 5.5 實(shí)際成本
  54. 5.6 本章小結(jié)
  55. 5.7 參考資料
  56. 第6章 信用風(fēng)險(xiǎn)估計(jì)
  57. 6.1 估計(jì)信用風(fēng)險(xiǎn)
  58. 6.2 風(fēng)險(xiǎn)籃子
  59. 6.3 使用邏輯回歸估計(jì)違約概率
  60. 6.4 使用貝葉斯模型估計(jì)違約概率
  61. 6.5 使用SVM估計(jì)違約概率
  62. 6.6 使用隨機(jī)森林估計(jì)違約概率
  63. 6.7 使用神經(jīng)網(wǎng)絡(luò)估計(jì)違約概率
  64. 6.8 使用深度學(xué)習(xí)估計(jì)違約概率
  65. 6.9 本章小結(jié)
  66. 6.10 參考資料
  67. 第7章 流動(dòng)性風(fēng)險(xiǎn)建模
  68. 7.1 流動(dòng)性測(cè)量
  69. 7.1.1 基于成交量測(cè)量流動(dòng)性
  70. 7.1.2 基于交易成本測(cè)量流動(dòng)性
  71. 7.1.3 基于價(jià)格影響測(cè)量流動(dòng)性
  72. 7.1.4 基于市場(chǎng)影響的流動(dòng)性指標(biāo)
  73. 7.2 GMM
  74. 7.3 GMCM
  75. 7.4 本章小結(jié)
  76. 7.5 參考資料
  77. 第8章 運(yùn)營(yíng)風(fēng)險(xiǎn)建模
  78. 8.1 熟悉欺詐數(shù)據(jù)
  79. 8.2 欺詐審查的監(jiān)督學(xué)習(xí)建模
  80. 8.2.1 基于成本的欺詐審查
  81. 8.2.2 成本節(jié)約評(píng)分
  82. 8.2.3 成本敏感建模
  83. 8.2.4 貝葉斯最小風(fēng)險(xiǎn)法
  84. 8.3 欺詐審查的無(wú)監(jiān)督學(xué)習(xí)建模
  85. 8.3.1 自組織映射
  86. 8.3.2 自編碼器
  87. 8.4 本章小結(jié)
  88. 8.5 參考資料
  89. 第三部分 對(duì)其他金融風(fēng)險(xiǎn)類型建模
  90. 第9章 公司治理風(fēng)險(xiǎn)度量：股價(jià)崩盤(pán)
  91. 9.1 股價(jià)崩盤(pán)度量
  92. 9.2 最小協(xié)方差行列式的理論
  93. 9.3 最小協(xié)方差行列式的代碼
  94. 9.4 面板數(shù)據(jù)分析
  95. 9.5 本章小結(jié)
  96. 9.6 參考資料
  97. 第10章 金融中的合成數(shù)據(jù)生成與HMM
  98. 10.1 合成數(shù)據(jù)生成
  99. 10.2 評(píng)估合成數(shù)據(jù)的功效
  100. 10.3 合成數(shù)據(jù)生成實(shí)戰(zhàn)
  101. 10.3.1 使用真實(shí)數(shù)據(jù)生成合成數(shù)據(jù)
  102. 10.3.2 使用模型生成合成數(shù)據(jù)
  103. 10.4 HMM簡(jiǎn)介
  104. 10.5 對(duì)比隱馬爾可夫模型與Fama-French三因子模型
  105. 10.6 使用高斯HMM模型生成合成數(shù)據(jù)
  106. 10.7 本章小結(jié)
  107. 10.8 參考資料
  108. 后記
書(shū)名：Python機(jī)器學(xué)習(xí)之金融風(fēng)險(xiǎn)管理
作者：Abdullah Karasan 著
譯者：葉偉民, 徐俊, 朱明超, 鐘飛雄 譯
國(guó)內(nèi)出版社：人民郵電出版社
出版時(shí)間：2025年03月
頁(yè)數(shù)：248
書(shū)號(hào)：978-7-115-63148-0
原版書(shū)書(shū)名：Machine Learning for Financial Risk Management with Python
原版書(shū)出版商：O'Reilly Media
Abdullah Karasan
 
Abdullah Karasan出生于德國(guó)柏林。在完成了經(jīng)濟(jì)學(xué)和工商管理的學(xué)習(xí)后，他從美國(guó)密歇根大學(xué)安娜堡分校獲得了應(yīng)用經(jīng)濟(jì)學(xué)碩士學(xué)位，并從土耳其安卡拉的中東科技大學(xué)獲得了金融數(shù)學(xué)博士學(xué)位。他曾在土耳其財(cái)政部任職，目前擔(dān)任Magnimind公司的首席數(shù)據(jù)科學(xué)家，同時(shí)也是馬里蘭大學(xué)巴爾的摩分校的講師。此外，他在金融數(shù)據(jù)科學(xué)領(lǐng)域發(fā)表了多篇論文。
 
 
本書(shū)封面所展示的動(dòng)物是塞內(nèi)加爾鴉鵑（Centropus senegalensis），有時(shí)也被稱為埃及鴉鵑。這種鳥(niǎo)類廣泛分布于撒哈拉沙漠以南的中非和南非地區(qū)，以及埃及的部分區(qū)域。塞內(nèi)加爾鴉鵑的冠、頸背、喙、腿和長(zhǎng)尾為黑色，翅膀呈栗色，下體則為奶油色，側(cè)翼帶有深色條紋。這種鳥(niǎo)可以生長(zhǎng)至15 英寸（約39 厘米），不同性別間的外形差異不大。它們偏好草地棲息地，如灌木叢和稀樹(shù)草原，飲食范圍廣泛，包括各種昆蟲(chóng)、毛蟲(chóng)和小型脊椎動(dòng)物。
塞內(nèi)加爾鴉鵑沒(méi)有面臨特別的威脅，分布較為廣泛，人們通常通過(guò)其獨(dú)特的“ook-ook-ook”叫聲來(lái)識(shí)別它。目前，塞內(nèi)加爾鴉鵑的保護(hù)狀態(tài)為“無(wú)?！?。O’Reilly圖書(shū)封面插圖中的許多動(dòng)物都面臨滅絕的威脅，它們對(duì)地球很重要。
購(gòu)買選項(xiàng)
定價(jià)：99.80元
書(shū)號(hào)：978-7-115-63148-0
出版社：人民郵電出版社