基于大数据和人工智能的金融研究

本书从基于经济金融原理和机器学习算法，提供一个使用机器学习分析金融问题的框架和思路。在此基础上，本文通过基金投资、IPO项目筛选和上市公司违规预警几个案例展示如何使用人工智能算法解决大数据时代的金融问题，并分析其相应的机制。本文的内容重在分析金融规律的展示，在算法方面对读者比较友好，分几个层次开展介绍。第一个层次为原理的理解和感知，通过本文对算法的解释，读者可以理解机器学习算法的理念及其优缺点，并根据解决的问题感知算法如何解决金融问题。第二个层次为数学知识的展示，读者可以根据本书的公式及提供的资料进行算法在数学层次的理解。第三个层次为探索，读者可以根据本书提供的问题及拓展资料，根据自身知识储备进行深入的挖掘，理解金融问题背后的深层原理，乃至学术创新。通过本书的阅读，读者可以高效地构建一个使用机器学习算法分析金融问题的知识框架，为后续的探索和学习打基础、提供方法和研究路径。因而，本书的适读对象比较广泛，无论是在校的同学还是业界爱好相关知识的人士都可一睹为快。

"郦金梁，清华大学五道口金融学院讲席教授。专注于金融市场、风险管理和产业创新领域的研究。
吴 谣，清华大学应用经济学博士，北京工商大学讲师，中国中小企业协会人工智能专委会秘书长。专注于基于大数据和人工智能的量化金融分析。"

第1章绪论1

1.1机器学习方法分类4

1.2机器学习在股票市场中的应用8

1.3机器学习在宏观经济相关研究中的应用22

1.4机器学习在政策评价研究中的应用27

1.5机器学习方法对比和模型评价准则32

参考文献38

第2章回归模型54

2.1简单线性回归56

2.2多元线性回归66

2.3岭回归与Lasso回归76

参考文献92

第3章分类模型97

3.1分类问题概述98

3.2为什么线性回归不可用100

3.3逻辑回归101

3.4支持向量机（SVM）108

参考文献121

第4章树模型123

4.1回归树125

4.2纯碱指数期货树模型126

4.3分类树131

4.4树模型的集成133

参考文献142

第5章无监督学习144

5.1原理说明146

5.2无监督学习方法在金融领域的应用153

5.3深度强化学习157

5.4无监督学习在金融领域的应用场景与挑战159

参考文献160

第6章大语言模型在金融领域的应用162

6.1引言163

6.2相关文献评述164

6.3原理简介170

6.4实验设计184

6.5实证结果192

6.6EPU不同类型与市场波动率预测效果对比203

6.7脉冲响应分析（IRF）：EPU冲击对市场波动率的时序影响213

6.8实验对比分析：5组对比实验指标对比214

参考文献215

第7章股市波动率预测219

7.1背景介绍220

7.2方法说明222

7.3实证结果227

7.4结果讨论230

7.5结论233

参考文献234

第8章检测财务违规237

8.1引言238

8.2上市公司违规机制分析240

8.3基于Logistic模型的违规预测244

8.4基于二元Probit模型的违规稽查分析250

8.5基于决策树模型的违规判定255

8.6结论258

参考文献259

第9章机器学习在期货市场的应用263

9.1研究背景介绍264

9.2纯碱市场分析269

9.3投资策略271

9.4实证结果分析282

9.5投资策略构建287

9.6稳健性检验288

9.7讨论290

参考文献290