Python机器学习之金融风险管理

封面

版权信息

版权

版权声明

内容提要

本书赞誉

前言

资源与支持

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

1.4 金融风险管理中的信息不对称

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

2.2 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

2.5 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

4.8 本章小结

4.9 参考资料

第5章 市场风险建模

5.1 VaR模型

5.2 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

7.2 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

8.3 欺诈审查的无监督学习建模

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

10.4 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

作者简介

译者简介