کتاب Machine Learning for Financial Risk Management with Python

کتاب Machine Learning for Financial Risk Management with Python: Algorithms for Modeling Risk (یادگیری ماشین برای مدیریت ریسک مالی با پایتون: الگوریتم‌هایی برای مدل‌سازی ریسک) کاربرد یادگیری ماشین را با استفاده از زبان برنامه‌نویسی پایتون جهت مدیریت ریسک مالی بررسی می‌کند.

در ادامه مقدمه‌ای از کتاب Machine Learning for Financial Risk Management with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning for Financial Risk Management with Python:

هوش مصنوعی و ML منعکس کننده تکامل طبیعی فناوری هستند زیرا افزایش قدرت محاسباتی رایانه‌ها را قادر می‌سازد تا مجموعه داده‌های بزرگ و اعداد خرد را برای شناسایی الگوها و موارد پرت مرتب کنند.

بلک راک (2019)

مدل‌سازی مالی سابقه طولانی با بسیاری از وظایف با موفقیت انجام شده دارد، اما در عین حال به شدت به دلیل عدم انعطاف‌پذیری و عدم فراگیری مدل‌ها مورد انتقاد شدید قرار گرفته است. بحران مالی 2007-2008 به این بحث دامن زد و همچنین راه را برای نوآوری‌ها و رویکردهای مختلف در زمینه مدل‌سازی مالی هموار کرد.

البته، بحران مالی تنها چیزی نبود که باعث رشد کاربردهای هوش مصنوعی در امور مالی شد. دو محرک دیگر، در دسترس بودن داده‌ها و افزایش قدرت محاسباتی، به پذیرش هوش مصنوعی در امور مالی دامن زدند و تحقیقات را در این زمینه از دهه 1990 تشدید کردند.

هیئت ثبات مالی (2017) بر اعتبار این واقعیت تأکید می‌کند:

بسیاری از برنامه‌ها یا موارد استفاده از هوش مصنوعی و یادگیری ماشینی از قبل وجود دارد. پذیرش این موارد استفاده توسط عوامل عرضه، مانند پیشرفت‌های تکنولوژیکی و در دسترس بودن داده‌ها و زیرساخت‌های بخش مالی، و عوامل تقاضا، مانند نیازهای سودآوری، رقابت با سایر شرکت‌ها، و خواسته‌های مقررات مالی انجام شده است.

به عنوان زیرشاخه ای از مدل‌سازی مالی، مدیریت ریسک مالی با پذیرش هوش مصنوعی به موازات نقش رو به رشد آن در فرآیند تصمیم گیری مالی، در حال تکامل است. بوستروم (2014) در کتاب مشهور خود اشاره می‌کند که دو انقلاب مهم در تاریخ بشریت وجود دارد: انقلاب کشاورزی و انقلاب صنعتی.

این دو انقلاب چنان تأثیر عمیقی داشته اند که هر انقلاب سومی با بزرگی مشابه، اندازه اقتصاد جهان را در دو هفته دو برابر می‌کند. حتی شگفت‌انگیزتر، اگر انقلاب سوم توسط هوش مصنوعی انجام می‌شد، تأثیر آن بسیار عمیق‌تر می‌شد.

بنابراین انتظارات برای برنامه‌های هوش مصنوعی که با استفاده از داده‌های بزرگ و درک ساختار پیچیده فرآیندهای ریسک، مدیریت ریسک مالی را در مقیاسی بی‌سابقه شکل می‌دهند، بسیار بالاست.

با این مطالعه، من قصد دارم خلاء مربوط به برنامه‌های کاربردی مبتنی بر یادگیری ماشین در امور مالی را پر کنم تا عملکرد پیش‌بینی و اندازه‌گیری مدل‌های مالی بهبود یابد. مدل‌های پارامتریک از مسائل مربوط به واریانس کم و سوگیری بالا رنج می‌برند.

مدل‌های یادگیری ماشین با انعطاف‌پذیری خود می‌توانند این مشکل را برطرف کنند. علاوه بر این، یک مشکل رایج در امور مالی این است که تغییر توزیع داده‌ها همیشه خطری برای قابلیت اطمینان نتیجه مدل ایجاد می‌کند، اما مدل‌های یادگیری ماشینی می‌توانند خود را با الگوهای در حال تغییر به گونه‌ای سازگار کنند که مدل‌ها مناسب‌تر باشند.

بنابراین نیاز و تقاضای زیادی برای مدل‌های یادگیری ماشینی کاربردی در امور مالی وجود دارد، و آنچه عمدتاً کتاب Machine Learning for Financial Risk Management with Python را متمایز می‌کند، گنجاندن رویکردهای مدل‌سازی مبتنی بر یادگیری ماشین با نام تجاری جدید در مدیریت ریسک مالی است.

به طور خلاصه، هدف کتاب Machine Learning for Financial Risk Management with Python تغییر چشم‌انداز فعلی مدیریت ریسک مالی است که به شدت بر اساس مدل‌های پارامتریک است. انگیزه اصلی این تغییر تحولات اخیر در مدل‌های مالی بسیار دقیق مبتنی بر مدل‌های یادگیری ماشین است.

بنابراین، کتاب Machine Learning for Financial Risk Management with Python برای کسانی در نظر گرفته شده است که دانش اولیه در مورد امور مالی و یادگیری ماشین دارند، به این معنا که من فقط توضیحات مختصری در مورد این موضوعات ارائه می‌دهم.

در نتیجه، مخاطبان هدف کتاب Machine Learning for Financial Risk Management with Python شامل، اما نه محدود به، تحلیلگران ریسک مالی، مهندسین مالی، همکاران ریسک، مدل‌سازان ریسک، اعتبارسنجی‌کنندگان مدل، تحلیل‌گران ریسک کمی، تجزیه و تحلیل پورتفولیو، و کسانی که به امور مالی و علم داده علاقه‌مند هستند، می‌شود.

با توجه به پیشینه مخاطبان هدف، داشتن سطح مقدماتی از دانش مالی و علم داده به شما این امکان را می‌دهد که بیشترین بهره را از کتاب ببرید. با این حال، این بدان معنا نیست که افراد با پیشینه‌های مختلف نمی‌توانند موضوعات کتاب را دنبال کنند. در عوض، خوانندگان با پیشینه‌های مختلف می‌توانند مفاهیم را درک کنند، به شرطی که زمان کافی را صرف کنند و در کنار این کتاب به برخی دیگر از کتاب‌های علوم مالی و داده مراجعه کنند.

کتاب Machine Learning for Financial Risk Management with Python شامل 10 فصل است:

فصل 1، “مبانی مدیریت ریسک”

این فصل از کتاب Machine Learning for Financial Risk Management with Python مفاهیم اصلی مدیریت ریسک را معرفی می‌کند. پس از تعریف ریسک، انواع ریسک‌ها (مانند بازار، اعتبار، عملیاتی و نقدینگی) مورد بحث قرار می‌گیرد. مدیریت ریسک توضیح داده شده است، از جمله اینکه چرا مهم است و چگونه می‌توان از آن برای کاهش خسارات استفاده کرد. اطلاعات نامتقارن، که می‌تواند شکست‌های بازار را برطرف کند، نیز با تمرکز بر عدم تقارن اطلاعات و انتخاب نامطلوب مورد بحث قرار می‌گیرد.

فصل 2، “مقدمه ای بر مدل‌سازی سری‌های زمانی”

این فصل از کتاب Machine Learning for Financial Risk Management with Python، کاربردهای سری زمانی را با استفاده از مدل‌های سنتی نشان می‌دهد، یعنی مدل میانگین متحرک، مدل اتورگرسیو، و مدل میانگین متحرک یکپارچه اتورگرسیو. ما یاد می‌گیریم که چگونه از یک API برای دسترسی به داده‌های مالی و نحوه استفاده از آن استفاده کنیم. هدف اصلی این فصل ارائه معیاری برای مقایسه رویکرد سری‌های زمانی سنتی با پیشرفت‌های اخیر در مدل‌سازی سری‌های زمانی است که تمرکز اصلی فصل بعدی است.

فصل 3، “یادگیری عمیق برای مدل‌سازی سری‌های زمانی”

این فصل از کتاب Machine Learning for Financial Risk Management with Python ابزارهای یادگیری عمیق را برای مدل‌سازی سری‌های زمانی معرفی می‌کند. شبکه عصبی بازگشتی و حافظه کوتاه مدت دو رویکردی هستند که با استفاده از آن‌ها می‌توانیم داده‌ها را با بعد زمانی مدل‌سازی کنیم. این فصل همچنین تصوری از کاربرد مدل‌های یادگیری عمیق در مدل‌سازی سری‌های زمانی ارائه می‌دهد.

فصل 4، “پیش بینی نوسانات مبتنی بر یادگیری ماشین”

افزایش یکپارچگی بازارهای مالی منجر به عدم اطمینان طولانی مدت در بازارهای مالی شده است که به نوبه خود بر اهمیت نوسانات تأکید می‌کند. از نوسانات برای اندازه گیری درجه ریسک استفاده می‌شود که یکی از تعاملات اصلی حوزه مالی است. این فصل به مدل‌سازی نوسانات جدید مبتنی بر رگرسیون بردار پشتیبان، شبکه عصبی، یادگیری عمیق و رویکرد بیزی می‌پردازد. برای مقایسه اجراها، مدل‌های سنتی ARCH و GARCH نیز استفاده می‌شود.

فصل 5، “مدل‌سازی ریسک بازار”

در این فصل از کتاب Machine Learning for Financial Risk Management with Python، مدل‌های مبتنی بر یادگیری ماشین برای تقویت عملکرد تخمین مدل‌های ریسک بازار سنتی، یعنی ارزش در معرض خطر (VaR) و کسری مورد انتظار (ES) استفاده می‌شوند. VaR یک رویکرد کمی برای از دست دادن بالقوه ارزش منصفانه به دلیل حرکات بازار است که در یک دوره زمانی معین و با سطح اطمینان تعریف شده از آن فراتر نمی‌رود.

از سوی دیگر، ES با اشاره به ضررهای بزرگ و غیرمنتظره، روی دم توزیع تمرکز می‌کند. یک مدل VaR با استفاده از یک ماتریس کوواریانس حذف شده توسعه داده شده است، و ES با ترکیب یک بعد نقدینگی از داده‌ها توسعه یافته است.

فصل 6، “برآورد ریسک اعتباری”

این فصل از کتاب Machine Learning for Financial Risk Management with Python یک رویکرد جامع مبتنی بر یادگیری ماشین برای تخمین ریسک اعتباری را معرفی می‌کند. مدل‌های یادگیری ماشین بر اساس اطلاعات اعتباری گذشته همراه با سایر داده‌ها اعمال می‌شوند. این رویکرد با سطل ریسک، که توسط توافق بازل پیشنهاد شده است، شروع می‌شود و با مدل‌های مختلف ادامه می‌یابد: تخمین بیزی، مدل زنجیره مارکوف، طبقه‌بندی بردار پشتیبانی، جنگل‌های تصادفی، شبکه‌های عصبی و یادگیری عمیق. در قسمت آخر فصل، عملکرد این مدل‌ها مقایسه خواهد شد.

فصل 7 “مدل‌سازی نقدینگی”

در این فصل از کتاب Machine Learning for Financial Risk Management with Python، از مدل مخلوط گاوسی برای مدل‌سازی نقدینگی استفاده می‌شود که تصور می‌شود بعد از آن در مدیریت ریسک نادیده گرفته شده است. این مدل به ما اجازه می‌دهد که جنبه‌های مختلفی از شاخص‌های نقدینگی را ترکیب کنیم تا بتوانیم اثر نقدینگی بر ریسک مالی را به روشی قوی‌تر دریافت کنیم.

فصل 8، “مدل‌سازی ریسک عملیاتی”

این فصل از کتاب Machine Learning for Financial Risk Management with Python، ریسک عملیاتی را پوشش می‌دهد که ممکن است منجر به شکست شود، بیشتر به دلیل ضعف داخلی شرکت. منابع متعددی برای ریسک‌های عملیاتی وجود دارد، اما ریسک تقلب یکی از زمان برترین و مضر ترین آن‌ها برای عملیات شرکت است. در اینجا، تقلب تمرکز اصلی ما خواهد بود، و رویکردهای جدیدی برای داشتن برنامه‌های کلاهبرداری با عملکرد بهتر بر اساس مدل‌های یادگیری ماشین توسعه خواهند یافت.

فصل 9، “معیار ریسک حاکمیت شرکتی: سقوط قیمت سهام”

این فصل یک رویکرد کاملاً جدید را برای مدل‌سازی ریسک حاکمیت شرکتی معرفی می‌کند: سقوط قیمت سهام. بسیاری از مطالعات ارتباط تجربی بین سقوط قیمت سهام و حاکمیت شرکتی را پیدا می‌کنند. با استفاده از مدل تعیین‌کننده حداقل کوواریانس، این فصل تلاش می‌کند تا رابطه بین مؤلفه‌های ریسک حاکمیت شرکتی و سقوط قیمت سهام را آشکار کند.

فصل 10، “تولید داده‌های مصنوعی و مدل پنهان مارکوف در امور مالی”

در این فصل از کتاب Machine Learning for Financial Risk Management with Python، ما از داده‌های مصنوعی برای برآورد ریسک‌های مالی مختلف استفاده می‌کنیم. هدف این فصل برجسته کردن ظهور داده‌های مصنوعی است که به ما کمک می‌کند تا تأثیر داده‌های تاریخی محدود را به حداقل برسانیم. داده‌های مصنوعی به ما امکان می‌دهد داده‌هایی به اندازه کافی بزرگ و با کیفیت داشته باشیم، که سپس کیفیت مدل را بهبود می‌بخشد.

سرفصل‌های کتاب Machine Learning for Financial Risk Management with Python:

• Preface
• I. Risk Management Foundations
  • 1. Fundamentals of Risk Management
  • 2. Introduction to Time Series Modeling
  • 3. Deep Learning for Time Series Modeling
• II. Machine Learning for Market, Credit, Liquidity, and Operational Risks
  • 4. Machine Learning-Based Volatility Prediction
  • 5. Modeling Market Risk
  • 6. Credit Risk Estimation
  • 7. Liquidity Modeling
  • 8. Modeling Operational Risk
• III. Modeling Other Financial Risk Sources
  • 9. A Corporate Governance Risk Measure: Stock Price Crash
  • 10. Synthetic Data Generation and The Hidden Markov Model in Finance
• Afterword
• Index
• About the Author

جهت دانلود کتاب Machine Learning for Financial Risk Management with Python می‌توانید پس از پرداخت، دریافت کنید.