內容大鋼
近年來，人工智慧技術得到了快速發展，並在金融風險管理領域逐漸滲透。本書旨在引導讀者了解金融風險建模背後的理論，學會在金融風險管理業務中運用Python語言和一系列機器學習模型。
本書分為三部分，第一部分（第1?3章）介紹風險管理的基礎知識，第二部分（第4?8章）通過一系列案例將機器學習模型運用到市場風險管理、信用風險管理、流動性風險管理和運營風險管理等場景，第三部分（第9章、第10章）講解如何對其他金融風險類型進行建模。
本書案例豐富、實戰性強，適合金融行業的工程師、財務分析師、風險分析師等群體閱讀。通過閱讀本書，讀者將發現人工智慧技術的強大魅力，並學會運用Python語言駕馭多種高效率的機器學習模型，進一步重塑自己的風險管理思維。
作者介紹
(土)阿卜杜拉·卡拉桑|責編:胡俊英|譯者:葉偉民//徐俊//朱明超//鍾飛雄
阿卜杜拉·卡拉桑是Magnimind公司的首席數據科學家，也是馬里蘭大學巴爾的摩分校的講師。
目錄
第一部分 風險管理基礎
第1章 風險管理基礎知識
1.1 風險
1.2 收益
1.3 風險管理
1.3.1 主要的金融風險類型
1.3.2 風險管理失敗導致嚴重的財務危機
1.4 金融風險管理中的信息不對稱
1.4.1 逆向選擇
1.4.2 道德風險
1.5 本章小結
1.6 參考資料
第2章 時間序列建模簡介
2.1 時間序列的成分
2.1.1 趨勢
2.1.2 季節性
2.1.3 周期性
2.1.4 殘差
2.2 傳統時間序列建模過程
2.3 白雜訊和信息準則
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 本章小結
2.6 參考資料
第3章 使用深度學習進行時間序列建模
3.1 RNN
3.2 LSTM
3.3 本章小結
3.4 參考資料
第二部分 使用ML管理市場、信用、流動性和運營風險
第4章 基於ML的波動率預測
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 神經網路和深度學習
4.7 貝葉斯方法
4.7.1 馬爾可夫鏈蒙特卡羅方法
4.7.2 M-H演算法
4.8 本章小結
4.9 參考資料
第5章 市場風險建模
5.1 VaR模型
5.1.1 方差-協方差法
5.1.2 歷史模擬法
5.1.3 蒙特卡羅法
5.2 降噪
5.3 ES模型
5.4 考慮流動性風險之後的ES模型
5.5 實際成本
5.6 本章小結
5.7 參考資料
第6章 信用風險估計
6.1 估計信用風險
6.2 風險籃子
6.3 使用邏輯回歸估計違約概率
6.4 使用貝葉斯模型估計違約概率
6.5 使用SVM估計違約概率
6.6 使用隨機森林估計違約概率
6.7 使用神經網路估計違約概率
6.8 使用深度學習估計違約概率
6.9 本章小結
6.10 參考資料
第7章 流動性風險建模
7.1 流動性測量
7.1.1 基於成交量測量流動性
7.1.2 基於交易成本測量流動性
7.1.3 基於價格影響測量流動性
7.1.4 基於市場影響的流動性指標
7.2 GMM
7.3 GMCM
7.4 本章小結
7.5 參考資料
第8章 運營風險建模
8.1 熟悉欺詐數據
8.2 欺詐審查的監督學習建模
8.2.1 基於成本的欺詐審查
8.2.2 成本節約評分
8.2.3 成本敏感建模
8.2.4 貝葉斯最小風險法
8.3 欺詐審查的無監督學習建模
8.3.1 自組織映射
8.3.2 自編碼器
8.4 本章小結
8.5 參考資料
第三部分 對其他金融風險類型建模
第9章 公司治理風險度量：股價崩盤
9.1 股價崩盤度量
9.2 最小協方差行列式的理論
9.3 最小協方差行列式的代碼
9.4 面板數據分析
&nb
[