近年来，人工智能技术得到了快速发展，并在金融风险管理领域逐渐渗透。本书旨在引导读者了解金融风险建模背后的理论，学会在金融风险管理业务中运用Python语言和一系列机器学习模型。
本书分为三部分，第一部分（第1～3章）介绍风险管理的基础知识，第二部分（第4～8章）通过一系列案例将机器学习模型运用到市场风险管理、信用风险管理、流动性风险管理和运营风险管理等场景，第三部分（第9章、第10章）讲解如何对其他金融风险类型进行建模。
本书案例丰富、实战性强，适合金融行业的工程师、财务分析师、风险分析师等群体阅读。通过阅读本书，读者将发现人工智能技术的强大魅力，并学会运用Python语言驾驭多种高效率的机器学习模型，进一步重塑自己的风险管理思维。
阿卜杜拉·卡拉桑是Magnimind公司的首席数据科学家，也是马里兰大学巴尔的摩分校的讲师。
第一部分 风险管理基础
第1章 风险管理基础知识
1.1 风险
1.2 收益
1.3 风险管理
1.3.1 主要的金融风险类型
1.3.2 风险管理失败导致严重的财务危机
1.4 金融风险管理中的信息不对称
1.4.1 逆向选择
1.4.2 道德风险
1.5 本章小结
1.6 参考资料
第2章 时间序列建模简介
2.1 时间序列的成分
2.1.1 趋势
2.1.2 季节性
2.1.3 周期性
2.1.4 残差
2.2 传统时间序列建模过程
2.3 白噪声和信息准则
2.4 MA、AR和ARIMA模型
2.4.1 MA模型
2.4.2 AR模型
2.4.3 ARIMA模型
2.5 本章小结
2.6 参考资料
第3章 使用深度学习进行时间序列建模
3.1 RNN
3.2 LSTM
3.3 本章小结
3.4 参考资料
第二部分 使用ML管理市场、信用、流动性和运营风险
第4章 基于ML的波动率预测
4.1 ARCH模型
4.2 GARCH模型
4.3 GJR-GARCH模型
4.4 EGARCH模型
4.5 SVR-GARCH模型
4.6 神经网络和深度学习
4.7 贝叶斯方法
4.7.1 马尔可夫链蒙特卡罗方法
4.7.2 M-H算法
4.8 本章小结
4.9 参考资料
第5章 市场风险建模
5.1 VaR模型
5.1.1 方差-协方差法
5.1.2 历史模拟法
5.1.3 蒙特卡罗法
5.2 降噪
5.3 ES模型
5.4 考虑流动性风险之后的ES模型
5.5 实际成本
5.6 本章小结
5.7 参考资料
第6章 信用风险估计
6.1 估计信用风险
6.2 风险篮子
6.3 使用逻辑回归估计违约概率
6.4 使用贝叶斯模型估计违约概率
6.5 使用SVM估计违约概率
6.6 使用随机森林估计违约概率
6.7 使用神经网络估计违约概率
6.8 使用深度学习估计违约概率
6.9 本章小结
6.10 参考资料
第7章 流动性风险建模
7.1 流动性测量
7.1.1 基于成交量测量流动性
7.1.2 基于交易成本测量流动性
7.1.3 基于价格影响测量流动性
7.1.4 基于市场影响的流动性指标
7.2 GMM
7.3 GMCM
7.4 本章小结
7.5 参考资料
第8章 运营风险建模
8.1 熟悉欺诈数据
8.2 欺诈审查的监督学习建模
8.2.1 基于成本的欺诈审查
8.2.2 成本节约评分
8.2.3 成本敏感建模
8.2.4 贝叶斯最小风险法
8.3 欺诈审查的无监督学习建模
8.3.1 自组织映射
8.3.2 自编码器
8.4 本章小结
8.5 参考资料
第三部分 对其他金融风险类型建模
第9章 公司治理风险度量：股价崩盘
9.1 股价崩盘度量
9.2 最小协方差行列式的理论
9.3 最小协方差行列式的代码
9.4 面板数据分析
9.5 本章小结
9.6 参考资料
第10章 金融中的合成数据生成与HMM
10.1 合成数据生成
10.2 评估合成数据的功效
10.3 合成数据生成实战
10.3.1 使用真实数据生成合成数据
10.3.2 使用模型生成合成数据
10.4 HMM简介
10.5 对比隐马尔可夫模型与Fama-French三因子模型
10.6 使用高斯HMM模型生成合成数据
10.7 本章小结
10.8 参考资料
后记
[
我的消息
购物车