前言

隨著計算能力的提高，計算機(jī)能夠?qū)Υ笮蛿?shù)據(jù)集進(jìn)行分類，可以對大量數(shù)據(jù)進(jìn)行處理以識別模式和異常值，人工智能（Artificial Intelligence，AI）和機(jī)器學(xué)習(xí)（Machine Learning，ML）成為技術(shù)領(lǐng)域的最新流行語，受到了我們的關(guān)注。

——BlackRock（2019）

金融建模有著悠久的歷史，它成功地完成了許多任務(wù)，但由于模型缺乏靈活性和兼容性等問題受到了激烈的批評。2008年的“金融危機(jī)”令爭論更激烈，最終引發(fā)了金融建模領(lǐng)域的各種創(chuàng)新。

當(dāng)然，金融危機(jī)并不是推動AI在金融領(lǐng)域應(yīng)用增長的唯一因素，還有另外兩個因素：數(shù)據(jù)可用性和計算能力的提高。

金融穩(wěn)定委員會（Financial Stability Board，F(xiàn)SB）于2017年提出：

金融業(yè)已經(jīng)有很多使用AI和ML的應(yīng)用或用例。這些用例既受到供應(yīng)因素（例如技術(shù)的進(jìn)步以及金融部門數(shù)據(jù)和基礎(chǔ)設(shè)施的可用性）的推動，也受到需求因素（例如盈利能力需求、與其他公司的競爭以及金融監(jiān)管的要求）的推動。

作為金融建模的一個分支，金融風(fēng)險管理隨著AI在金融決策過程中的作用不斷增強(qiáng)而不斷發(fā)展。正如Nick Bostrom在他那本著名的《超級智能》一書中所提到的，人類歷史上有兩次重要的革命：農(nóng)業(yè)革命和工業(yè)革命。這兩次革命帶來了十分深遠(yuǎn)的影響，基于這兩次革命的歷史推斷，與之規(guī)模相當(dāng)?shù)牡谌胃锩鼤趦芍軆?nèi)令世界經(jīng)濟(jì)規(guī)模翻一番。更引人注目的是，如果第三次革命是由AI完成的，那么其影響將更加深遠(yuǎn)。

因此，人們對AI應(yīng)用的期望非常高，希望這些應(yīng)用能夠利用大數(shù)據(jù)來理解風(fēng)險過程的復(fù)雜結(jié)構(gòu)，從而重塑金融風(fēng)險管理。

我希望通過本書推廣ML在金融領(lǐng)域的應(yīng)用，從而提高金融模型的預(yù)測能力和性能。參數(shù)模型存在低方差和高偏差的問題，而ML模型的靈活性可以解決這些問題。金融領(lǐng)域的一個常見問題是，數(shù)據(jù)分布的變化總是會對模型結(jié)果的可靠性構(gòu)成“威脅”，而ML模型可以根據(jù)變化的模式進(jìn)行自我調(diào)整，使模型更加適應(yīng)數(shù)據(jù)的變化。因此，金融領(lǐng)域?qū)τ谶m用的ML模型有著巨大的需求，而本書的主要特點是在金融風(fēng)險管理中引入全新的基于ML的建模方法。

簡而言之，本書的目的是改變目前嚴(yán)重依賴于參數(shù)模型的金融風(fēng)險管理的現(xiàn)狀，主要基于ML模型的高度準(zhǔn)確的金融模型的最新發(fā)展。本書是為那些對金融和ML有初步了解的人準(zhǔn)備的，因此我將只是簡單地解釋一下這些基礎(chǔ)知識。

本書的目標(biāo)讀者包括但不限于金融風(fēng)險分析師、金融工程師、風(fēng)險分析助理、風(fēng)險建模師、模型驗證師、定量風(fēng)險分析師、投資組合分析師以及所有其他對金融和數(shù)據(jù)科學(xué)感興趣的人。

如果讀者具有以上背景，或者具有入門級別的金融和數(shù)據(jù)科學(xué)知識，應(yīng)該會從本書中受益良多。但是，這并不意味著沒有這些背景和基礎(chǔ)的人就不能理解本書的知識。只要讀者能夠花足夠的時間來研究，并在閱讀本書的同時參考其他一些金融和數(shù)據(jù)科學(xué)圖書，一樣能夠掌握本書的知識。

本書涵蓋的內(nèi)容

第1章，“風(fēng)險管理基礎(chǔ)知識”

本章介紹風(fēng)險管理中的主要概念，包括什么是風(fēng)險、主要的金融風(fēng)險類型，解釋了風(fēng)險管理等。然后討論金融風(fēng)險管理中的信息不對稱問題，重點討論逆向選擇和道德風(fēng)險。

第2章，“時間序列建模簡介”

本章主要介紹傳統(tǒng)的時間序列建模方法，包括MA、AR和ARIMA模型。本章的主要目的是為傳統(tǒng)時間序列建模方法和最新時間序列建模方法（第3章主要內(nèi)容）的比較提供基準(zhǔn)。

第3章，“使用深度學(xué)習(xí)進(jìn)行時間序列建模”

本章介紹如何使用深度學(xué)習(xí)進(jìn)行時間序列建模，主要講解RNN和LSTM兩種方法。

第4章，“基于ML的波動率預(yù)測”

金融市場一體化程度的日益提高導(dǎo)致金融市場的長期不確定性，這反過來又體現(xiàn)了波動率的重要性。波動率可用于測量風(fēng)險程度，這是金融領(lǐng)域中的主要業(yè)務(wù)之一。本章不僅介紹基于SVM、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和貝葉斯方法的新型波動率建模，還介紹了ARCH模型、GARCH模型、GJR-GARCH模型、EGARCH模型、SVR-GARCH模型。

第5章，“市場風(fēng)險建模”

本章首先介紹多個VaR建模方法。其次，嘗試以噪聲和信號的形式區(qū)分信息，即降噪。然后，采用降噪?yún)f(xié)方差矩陣來改進(jìn)VaR估計。接下來，講解如何用ES模型作為一個連貫風(fēng)險衡量指標(biāo)。最后，講解考慮流動性風(fēng)險之后的ES模型和實際成本。

第6章，“信用風(fēng)險估計”

本章首先講解與信用風(fēng)險相關(guān)的主要概念。然后，使用邏輯回歸、貝葉斯模型、SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)基于德國信用風(fēng)險數(shù)據(jù)集進(jìn)行預(yù)測分析。

第7章，“流動性風(fēng)險建模”

本章介紹一種基于GMM的流動性風(fēng)險建模新方法，該方法允許我們基于多個流動性指標(biāo)數(shù)據(jù)進(jìn)行建模并生成聚類。鑒于這些聚類的后驗概率，我們能夠確定哪個聚類代表數(shù)據(jù)的定義特征。然而，如果不考慮流動性指標(biāo)的相關(guān)性，我們的模型很可能無法適用于現(xiàn)實工作。因此，為了解決這個問題，我們引入考慮了變量之間的相關(guān)性的GMCM。

第8章，“運營風(fēng)險建模”

由于ML建模的發(fā)展，我們現(xiàn)在有更多的工具可以用來應(yīng)對欺詐行為，本章介紹包括邏輯回歸、決策樹、隨機(jī)森林等在內(nèi)的監(jiān)督學(xué)習(xí)方法，以及目前較新的、十分適用于管理欺詐風(fēng)險的成本敏感學(xué)習(xí)方法；然后，介紹自組織映射和自編碼器等無監(jiān)督學(xué)習(xí)方法。

第9章，“公司治理風(fēng)險度量：股價崩盤”

本章介紹全新的方法來應(yīng)對公司治理風(fēng)險——股價崩盤。許多研究發(fā)現(xiàn)，股價崩盤與公司治理之間存在聯(lián)系，本章使用最小協(xié)方差行列式和面板數(shù)據(jù)分析來揭示公司治理風(fēng)險成分與股價崩盤的關(guān)系。

第10章，“金融中的合成數(shù)據(jù)生成與HMM”

本章介紹兩個相對較新但很有前景的主題：合成數(shù)據(jù)生成與HMM。合成數(shù)據(jù)生成使我們能夠在缺乏真實數(shù)據(jù)或遵守保密規(guī)定的情況下進(jìn)行分析，因此它可以成為從業(yè)人員的“救命稻草”。然后，我們介紹高斯HMM模型及其使用方法，利用HMM模型生成合成數(shù)據(jù)。

本書約定

該圖標(biāo)表示技巧、建議或一般性注釋。

?

該圖標(biāo)表示警告或重要的注意事項。

示例代碼的用法

本書的補充資料（示例代碼等）都可以從異步社區(qū)下載。

本書提供源代碼的目的是幫你快速完成工作。在一般情況下，你可以在自己的程序或文檔中使用本書中的代碼，而非復(fù)制書中的部分代碼，這樣就不必取得我們的許可。例如，當(dāng)你在編寫程序時，用到了本書的幾個代碼段，這不必取得我們的許可。但若將O’Reilly圖書中的代碼進(jìn)行出售或傳播，則需獲得我們的許可。引用示例代碼或書中內(nèi)容來解答問題無須獲得我們的許可。當(dāng)將書中很大一部分的示例代碼用于你個人的產(chǎn)品文檔時，則需要獲得我們的許可。

如果你引用了本書的內(nèi)容并標(biāo)明版權(quán)歸屬聲明，我們對此表示感謝，但這不是必須做的。版權(quán)歸屬聲明通常包括標(biāo)題、作者、出版社和ISBN。

如果你認(rèn)為你對示例代碼的使用已經(jīng)超出上述范圍，或者你對是否需要獲得示例代碼的授權(quán)還不清楚，請隨時聯(lián)系我們：permissions@oreilly.com。

O’Reilly在線學(xué)習(xí)平臺（O’Reilly Online Learning）

40多年來，O’Reilly Media一直致力于提供技術(shù)和商業(yè)培訓(xùn)、知識和卓越的見解，以幫助公司取得成功。

我們擁有獨一無二的專家和革新者組成的龐大網(wǎng)絡(luò)，他們通過圖書、文章、會議和我們的在線學(xué)習(xí)平臺分享他們的知識和經(jīng)驗。O’Reilly的在線學(xué)習(xí)平臺允許讀者按需訪問現(xiàn)場培訓(xùn)課程、深入的學(xué)習(xí)路徑、交互式編程環(huán)境，以及O’Reilly和200多家其他出版商提供的大量文本和視頻資源。更多相關(guān)信息請訪問O’Reilly官網(wǎng)。

如何聯(lián)系我們

美國：

O’Reilly Media，Inc.

1005 Gravenstein Highway North

Sebastopol，CA 95472

中國：

北京市西城區(qū)西直門南大街2號成銘大廈C座807室（100035）

奧萊利技術(shù)咨詢（北京）有限公司

歡迎讀者對本書提出意見或指出技術(shù)問題，請發(fā)送電子郵件至errata@oreilly.com.cn。

若要獲取有關(guān)我們的圖書、課程、會議和新聞的更多信息，請訪問O’Reilly官網(wǎng)。

致謝

決定寫這本書并非一時興起。我發(fā)現(xiàn)業(yè)界缺乏基于ML模型構(gòu)建主要金融風(fēng)險管理模型的資料。本書致力于將ML應(yīng)用于金融風(fēng)險管理問題。我希望通過本書從各個角度為模型提供理論、經(jīng)驗、方法以及可復(fù)制的代碼。當(dāng)我與O’Reilly的Michelle Smith分享這個想法時，Michelle深表贊同并不斷地鼓勵我寫作。Michelle對本書的完成充滿信心，并一路支持我，對此我非常感激。

每當(dāng)完成新的章節(jié)，我就馬上與我的編輯Michele Cronin溝通。此外，我們每周還會進(jìn)行一次內(nèi)容豐富而有趣的交流，從而保證我一直走在正確的道路上，并得到從編輯視角出發(fā)的指導(dǎo)觀點。隨著章節(jié)寫作的不斷進(jìn)展，每一章都有新的挑戰(zhàn)，需要我夜以繼日地應(yīng)對。這導(dǎo)致我越來越疲憊，越來越難以發(fā)現(xiàn)錯別字和其他類型的錯誤。這正是技術(shù)審稿人發(fā)揮寶貴作用的地方。在此我非常感謝本書的技術(shù)審稿人Mehmet Benturk、Hariom Tatsat、Isaac Rhea、Dimitri Bianco、McKlayne Marshall和Michael Shearer，感謝他們?yōu)楸緯冻龅呐Α?/p>

另外，我還要感謝Danny Elfanbaum和Randy Balaban在文本一致性方面的復(fù)核。在經(jīng)歷了漫長曲折的一年后，我終于完成了枯燥乏味但又激動人心的人生里程碑，希望本書能為那些希望學(xué)習(xí)金融領(lǐng)域ML的人指明道路。

在此向那些為本書做出貢獻(xiàn)的人表達(dá)我最深切的謝意。

作者