教育部战略性新兴领域“十四五”高等教育系列教材

前言
金融与人工智能的交叉融合正在重塑现代金融体系的运行范式。随着机器学习、自然语言处理、区块链等技术的快速发展，金融行业的数据处理能力、风险定价效率及服务创新水平均面临系统性升级。这一变革趋势受到各国政策层面的高度关注：在2024年中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》中提到，数字金融坚持金融服务实体经济的根本宗旨和以人民为中心的发展思想，以数据要素和数字技术为关键驱动，加快推进金融机构数字化转型，夯实数字金融发展基础，完善数字金融治理体系，支持金融机构以数字技术赋能提升金融“五篇大文章”服务质效，推动我国数字经济高质量发展。
然而，当前学术界与产业界普遍存在理论方法与技术实践的结构性割裂——传统金融学教材多停留于计量经济学分析框架，而关于机器学习的教材多聚焦于算法原理，二者鲜少深度融合。许多从业者在学习算法后仍困惑于“如何将模型适配金融场景”“如何应对金融数据的特殊性”“如何平衡模型复杂性与业务可解释性”等现实问题。本书旨在构建一个系统化的跨学科知识体系，为金融学与人工智能的深度融合提供理论支撑与实践指南。
本书共分为17章，内容涵盖三大模块：
第一部分（第1、2章）为理论基础。第1章剖析金融智能的核心内涵，阐释其相较于传统金融分析范式的革新性，并梳理金融场景中智能技术的适用边界与伦理挑战；第2章系统回顾金融学基础原理，包括市场有效性、资产定价模型与风险管理框架，为后续技术应用奠定理论根基。
第二部分（第3~15章）为技术核心。本模块以“由浅入深”为脉络，逐层展开金融智能技术体系：从线性模型（第3章）、带惩罚项的回归方法（第4章）、降维与聚类技术（第5、6章）等传统机器学习方法，到树模型（第7章）、神经网络（第8章）、自编码器（第9章）、CNN与RNN（第10、11章）、GAN（第12章）等深度学习技术，再延伸至自然语言处理（第13章）、强化学习（第14章）及区块链技术（第15章）。每章均以“金融问题驱动”，结合信贷评分、股价预测、舆情分析等案例，解析算法原理、数据适配性与实现细节。
第三部分（第16、17章）为应用与监管。第16章聚焦行业实践，探讨智能投顾、程序化交易、保险科技等领域的落地案例与技术瓶颈；第17章则立足监管科技（RegTech），分析算法透明度、数据隐私保护与跨境监管协作等前沿议题，为金融智能的合规发展提供路径参考。
需特别说明的是，本书的编写有两大特点：
其一，实用性优先。尽管近年来图神经网络、Kolmogorov-Arnold神经网络等新兴算法层出不穷，但考虑本书的定位为教学性质，本书选择聚焦于金融场景中已验证有效的主流技术，并配套Python代码示例与数据预处理指南，确保读者“学即能用”。
其二，学科交叉性。金融智能并非技术的简单堆砌，而是需深刻理解金融业务的特殊约束—例如高频数据中的非平稳性、金融决策中的博弈特性、监管规则对模型可解释性的刚性要求等。因此，本书在每章均配有不同人工智能模型在金融场景中的具体案例，探讨如何针对业务痛点调整算法设计。
本书的完成得益于金融学术界众多学者的奠基性工作，特别是在案例选取方面，我们团队精心挑选了在国内外金融学术顶级期刊上发表的具有影响力的论文。挑选这些论文的优点在于其研究结果的可靠性已经得到了同行评议的肯定，作为教学案例是比较合适的。本书得到了清华大学财富管理研究中心的大力支持与帮助，清华大学五道口金融学院博士生谭琳对本书的第7~10章的编写亦有重要贡献。
特别需要说明的是，尽管我们力求严谨，但金融市场的复杂性与技术的快速迭代，注定书中部分内容将随时间推移显露出局限性。特别是人工智能领域技术的进步日新月异，例如大模型的技术成熟使得自然语言处理的研究范式正在面临巨大的变化。因此站在当下的门槛上眺望，未来金融智能的终极形态或许远超当下想象。当因果推断揭示金融市场的深层规律，当量子计算重新定义风险模型的复杂度边界，人类与算法的关系未来可能步入新的纪元。但无论人工智能技术如何演进，金融学中需要解决的重要问题依然不会改变，技术只是提升我们解决金融问题的效率。本书愿作一枚火把，照亮金融智能道路上的技术沟壑，为同学们学习金融智能提供参考。

编者
2025年6月

目录
第1章 金融智能的基本原理 / 1
章前导读 / 1
本章学习目标 / 1
1.1 人工智能概述与历史 / 1
1.1.1 人工智能概述 / 1
1.1.2 人工智能发展历史 / 3
1.2 金融智能概述与场景 / 3
1.2.1 金融智能概述 / 3
1.2.2 金融智能的常见场景 / 4
1.2.3 金融智能中的常用技术 / 7
1.3 金融智能实践与方向 / 8
1.3.1 金融智能发展现状 / 8
1.3.2 金融智能遇到的挑战 / 9
1.3.3 金融智能发展的方向 / 10
1.4 Python基础知识 / 10
1.4.1 Python 安装 / 11
1.4.2 Python常用数据类型、条件、循环与函数 / 12
1.5 机器学习模型评估 / 17
1.5.1 过拟合与欠拟合 / 17
1.5.2 偏差和方差的权衡 / 18
1.5.3 回归问题机器学习模型的评价指标 / 21
1.5.4 机器学习的超参数调校 / 22
1.6 本章小结 / 28
关键名词 / 28
复习思考题 / 28
第2章 金融学基本原理 / 29
章前导读 / 29
本章学习目标 / 29
2.1 金融市场 / 29
2.1.1 金融市场的概念与功能 / 29
2.1.2 金融市场分类 / 30
2.2 实证资产定价 / 31
2.2.1 资产定价的核心问题—股票预期收益率 / 31
2.2.2 投资组合分析 / 33
2.2.3 因子投资 / 38
2.2.4 中国因子模型 / 40
2.3 本章小结 / 43
关键名词 / 44
复习思考题 / 44
第3章 金融智能中的线性方法 / 45
章前导读 / 45
本章学习目标 / 45
3.1 线性分析方法概述 / 45
3.1.1 计量经济学视角下的线性模型 / 45
3.1.2 矩阵视角下的线性模型 / 47
3.1.3 损失函数 / 48
3.2 逻辑回归的算法 / 48
3.2.1 分类问题 / 48
3.2.2 逻辑回归 / 49
3.3 异象性因子的检验 / 50
3.3.1 异象性因子 / 50
3.3.2 异象性因子的时序回归统计检验 / 50
3.3.3 股票特征与未来收益率的检验：Fama-MacBeth截面回归 / 52
3.4 本章小结 / 56
关键名词 / 56
复习思考题 / 56
第4章 带惩罚项的线性方法 / 57
章前导读 / 57
本章学习目标 / 57
4.1 带惩罚项的线性方法简介 / 57
4.2 岭回归 / 58
4.3 LASSO / 59
4.4 弹性网络回归 / 60
4.5 案例分析：利用LASSO进行高频交易 / 60
4.6 实战：蒙特卡洛模拟 / 63
4.7 本章小结 / 71
关键名词 / 71
复习思考题 / 71
第5章 金融智能中的降维方法 / 72
章前导读 / 72
本章学习目标 / 72
5.1 降维分析方法概述 / 72
5.2 主成分分析算法 / 73
5.2.1 PCA原理 / 73
5.2.2 PCA算法 / 73
5.2.3 PCA代码 / 73
5.3 偏最小二乘算法 / 73
5.3.1 PLS原理 / 73
5.3.2 PLS算法 / 74
5.3.3 PLS代码 / 74
5.4 IPCA算法 / 74
5.4.1 IPCA模型原理 / 74
5.4.2 约束下的IPCA模型 / 76
5.4.3 无约束下的IPCA模型 / 76
5.4.4 IPCA模型的拓展 / 77
5.5 案例分析：投资者情绪度量 / 79
5.5.1 投资者情绪 / 79
5.5.2 基于PCA方法的指数构建 / 80
5.6 实战代码及解析 / 81
5.6.1 代码 / 82
5.6.2 基于PLS方法的改进指数构建 / 83
5.7 本章小结 / 86
关键名词 / 86
复习思考题 / 86
第6章 聚类分析及其在金融中的应用 / 87
章前导读 / 87
本章学习目标 / 87
6.1 聚类分析概述 / 87
6.1.1 聚类分析的概念 / 88
6.1.2 聚类的过程 / 88
6.1.3 聚类算法的要求 / 89
6.1.4 聚类算法的距离计算 / 89
6.2 K均值聚类算法 / 90
6.2.1 K均值聚类算法概念 / 90
6.2.2 K均值聚类算法代码 / 92
6.3 层次聚类算法 / 93
6.3.1 层次聚类算法概念 / 93
6.3.2 层次聚类算法代码 / 94
6.4 基于密度的聚类算法 / 95
6.4.1 DBSCAN 算法概念 / 96
6.4.2 DBSCAN 算法代码 / 97
6.5 聚类分析在金融客户细分中的应用 / 99
6.6 本章小结 / 100
关键名词 / 101
复习思考题 / 101
第7章 金融智能中的树类方法 / 102
章前导读 / 102
本章学习目标 / 102
7.1 树类分析方法概述及其运用场景 / 102
7.2 回归树 / 103
7.2.1 回归树原理 / 103
7.2.2 回归树算法 / 104
7.2.3 回归树代码 / 105
7.3 集成学习以及随机森林算法 / 106
7.3.1 集成学习以及随机森林原理 / 106
7.3.2 随机森林算法 / 106
7.3.3 随机森林代码介绍 / 106
7.4 梯度提升回归树算法 / 108
7.4.1 梯度提升回归树原理 / 108
7.4.2 梯度提升回归树算法 / 108
7.4.3 梯度提升回归树代码 / 109
7.5 本章小结 / 110
关键名词 / 111
复习思考题 / 111
第8章 金融智能中的全连接神经网络模型 / 112
章前导读 / 112
本章学习目标 / 112
8.1 人工神经网络方法概述 / 112
8.2 激活函数 / 113
8.2.1 ReLU激活函数 / 113
8.2.2 sigmoid激活函数 / 114
8.2.3 tanh激活函数 / 114
8.3 优化算法 / 114
8.3.1 梯度下降 / 114
8.3.2 小批量随机梯度下降 / 115
8.3.3 动量法 / 115
8.3.4 AdaGrad算法 / 115
8.3.5 RMSProp算法 / 116
8.3.6 Adam算法 / 117
8.4 模型训练 / 118
8.4.1 权重惩罚 / 118
8.4.2 丢弃法 / 118
8.4.3 早停法 / 119
8.4.4 批归一法 / 120
8.5 全连接神经网络代码介绍 / 120
8.6 案例分析：基于公司特征的全连接神经网络选股模型 / 121
8.7 实战代码解析：蒙特卡洛模拟 / 123
8.8 本章小结 / 128
关键名词 / 128
复习思考题 / 128
第9章 金融智能中的自编码器模型 / 129
章前导读 / 129
本章学习目标 / 129
9.1 AE方法概述 / 129
9.2 AE代码 / 131
9.3 条件AE与金融中的因子定价模型 / 132
9.4 条件AE代码 / 134
9.5 蒙特卡洛模拟 / 136
9.6 本章小结 / 139
关键名词 / 139
复习思考题 / 139
第10章 金融智能中的卷积神经网络模型 / 141
章前导读 / 141
本章学习目标 / 141
10.1 CNN方法概述 / 141
10.2 CNN算法 / 142
10.2.1 卷积层 / 143
10.2.2 池化层 / 145
10.3 CNN代码 / 146
10.4 案例：K线图识别与股票收益率预测 / 147
10.5 本章小结 / 154
关键名词 / 154
复习思考题 / 154
第11章 金融智能中的循环神经网络模型 / 155
章前导读 / 155
本章学习目标 / 155
11.1 RNN模型基础 / 155
11.1.1 RNN模型概述 / 155
11.1.2 RNN的核心原理 / 157
11.1.3 RNN与其他神经网络的比较 / 158
11.2 RNN模型变体和训练 / 160
11.2.1 RNN模型在Python中的实现 / 160
11.2.2 RNN训练过程与参数调优 / 164
11.3 RNN在金融智能中的应用 / 166
案例　RNN模型与有效市场假说 / 166
11.4 本章小结 / 169
关键名词 / 169
复习思考题 / 169
第12章 金融智能中的生成式对抗网络模型 / 170
章前导读 / 170
本章学习目标 / 170
12.1 GAN模型基础 / 170
12.1.1 GAN模型概述 / 170
12.1.2 GAN的核心组成 / 172
12.2 GAN模型的训练与优化 / 174
12.2.1 GAN模型在Python中的实现 / 174
12.2.2 GAN的参数调优与稳定性问题 / 178
12.3 GAN在金融智能中的应用 / 180
案例 GAN与SDF估计 / 180
参考文献 / 181
12.4 本章小结 / 181
关键名词 / 181
复习思考题 / 182
第13章 金融智能中的自然语言处理方法 / 183
章前导读 / 183
本章学习目标 / 183
13.1 文本分析方法概述及其运用场景 / 183
13.1.1 文本分析概述 / 184
13.1.2 文本分析的应用场景 / 185
13.1.3 文本数据处理一般流程 / 187
13.2 语素与分词 / 189
13.2.1 语素 / 189
13.2.2 分词 / 190
13.2.3 分词代码 / 191
13.3 词袋模型与词向量模型 / 192
13.3.1 词袋模型 / 192
13.3.2 词向量模型 / 193
13.3.3 词向量模型代码 / 196
13.4 TF-IDF算法 / 197
13.4.1 关键词提取概述 / 197
13.4.2 TF-IDF算法 / 199
13.4.3 TF-IDF算法代码 / 200
13.5 主题模型 / 201
13.5.1 主题模型概述 / 201
13.5.2 LDA算法 / 202
13.5.3 LDA代码 / 204
13.6 本章小结 / 205
关键名词 / 205
复习思考题 / 206
第14章 金融智能中的强化学习算法 / 207
章前导读 / 207
本章学习目标 / 207
14.1 强化学习算法基础 / 207
14.1.1 强化学习概述 / 207
14.1.2 强化学习的核心组件 / 208
14.1.3 强化学习与其他学习方法的对比 / 210
14.2 强化学习算法及其训练 / 212
14.2.1 主要强化学习算法 / 212
14.2.2 基于Python实现的案例 / 213
14.3 强化学习的应用 / 216
案例　强化学习在金融智能中的应用 / 216
参考文献 / 217
14.4 本章小结 / 217
关键名词 / 218
复习思考题 / 218
第15章 金融智能中的区块链方法 / 219
章前导读 / 219
本章学习目标 / 219
15.1 区块链技术概述及其运用场景 / 219
15.1.1 区块链技术发展历史 / 219
15.1.2 区块链分类 / 220
15.1.3 区块链技术应用场景 / 221
15.2 区块链技术的加密算法和共识机制 / 222
15.2.1 常见的加密算法 / 222
15.2.2 常见的共识机制 / 224
15.2.3 共识机制背后的经济学 / 225
15.2.4 基于Python生成比特币公钥和私钥 / 227
15.3 区块链技术与智能合约技术 / 228
15.3.1 智能合约技术 / 228
15.3.2 智能合约与数字人民币 / 229
15.4 区块链在金融场景中的应用 / 231
案例　以太坊公有链上的稳定币DAI / 231
15.5 本章小结 / 232
关键名词 / 232
复习思考题 / 232
第16章 金融智能在业界的应用 / 233
章前导读 / 233
本章学习目标 / 233
16.1 金融智能在业界应用概述 / 234
16.2 机器学习预测资产价格 / 236
16.2.1 机器学习预测资产价格的原理 / 236
16.2.2 机器学习预测资产价格在美国股票市场上的实践 / 238
16.2.3 机器学习预测资产价格在中国股票市场上的实践 / 239
16.3 文本分析预测资产价格 / 241
16.4 文本分析在绿色金融领域的应用 / 243
16.5 本章小结 / 245
关键名词 / 245
复习思考题 / 245
第17章 金融科技监管与监管科技 / 246
章前导读 / 246
本章学习目标 / 246
17.1 金融科技监管和监管科技概述 / 246
17.2 金融科技各领域监管案例 / 247
17.3 监管科技 / 256
17.4 本章小结 / 261
关键名词 / 261
复习思考题 / 261