書馨卡幫你省薪 2024個(gè)人購書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >>
金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南

出版社：中國人民大學(xué)出版社出版時(shí)間：2021-07-01
開本： 其他 頁數(shù)： 332
本類榜單：管理銷量榜
中 圖 價(jià):¥66.8(7.5折) 定價(jià)  ¥89.0 登錄后可看到會(huì)員價(jià)
加入購物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 版權(quán)信息

  • ISBN：9787300294315
  • 條形碼：9787300294315 ; 978-7-300-29431-5
  • 裝幀：一般膠版紙
  • 冊(cè)數(shù)：暫無
  • 重量：暫無
  • 所屬分類：>>

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 本書特色

作為引領(lǐng)新一輪科技革命的重要技術(shù)之一，人工智能技術(shù)已被廣泛應(yīng)用于金融、醫(yī)療、安防、教育等多個(gè)領(lǐng)域，而且應(yīng)用場(chǎng)景也越來越豐富。 在金融行業(yè)，人工智能技術(shù)已從過去只發(fā)揮支持作用，到如今成為行業(yè)重要的核心競(jìng)爭(zhēng)力之一。人工智能技術(shù)可以應(yīng)用于金融行業(yè)的方方面面： ⊙人工神經(jīng)網(wǎng)絡(luò)可用于預(yù)測(cè)宏觀經(jīng)濟(jì)指標(biāo)和金融市場(chǎng)的時(shí)間序列； ⊙遺傳算法可用于優(yōu)化股票市場(chǎng)擇時(shí)和投資組合創(chuàng)建； ⊙數(shù)據(jù)挖掘工具可用于應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估； ⊙專家系統(tǒng)可以模擬專家解決問題的能力做出決策，并將其應(yīng)用于證券分析和公司評(píng)估等。 目前，人工智能技術(shù)本身尚處于不斷發(fā)展的過程中，其在金融領(lǐng)域更大規(guī)模的應(yīng)用還面臨很多障礙。但可以確定的是，未來隨著人工智能技術(shù)的進(jìn)一步發(fā)展和成熟，金融領(lǐng)域也將更智能化、人性化，并出現(xiàn)更多的革新和進(jìn)步。

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 內(nèi)容簡(jiǎn)介

隨著技術(shù)進(jìn)步的加快，所以為了擁有能夠預(yù)測(cè)、建模、交易金融市場(chǎng)和信息的計(jì)算應(yīng)用，從業(yè)者正在尋找更復(fù)雜的方法來迎接挑戰(zhàn)。神經(jīng)網(wǎng)絡(luò)是一種高效、訓(xùn)練算法，它模擬人類大腦功能的某些方面，并廣泛應(yīng)用于財(cái)務(wù)預(yù)測(cè)。
本書介紹了優(yōu)選進(jìn)的人工智能（AI）/神經(jīng)網(wǎng)絡(luò)應(yīng)用程序在市場(chǎng)、資產(chǎn)和其他金融領(lǐng)域的應(yīng)用，以及人工智能和金融領(lǐng)域的一些近期新的研究成果，并為這一領(lǐng)域的從業(yè)者和研究人員提供了深入的分析和高度適用的工具和技術(shù)。

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 目錄

**部分 人工智能簡(jiǎn)介
第1章 人工智能在金融領(lǐng)域的應(yīng)用概述
引言
專家系統(tǒng)在金融領(lǐng)域中的應(yīng)用
混合智能在金融中的應(yīng)用
總結(jié)
附錄
第二部分 金融預(yù)測(cè)和交易
第2章 交易富時(shí)100 指數(shù)：“自適應(yīng)”
建模和優(yōu)化技術(shù)
引言
文獻(xiàn)綜述
相關(guān)金融數(shù)據(jù)
提出的方法
實(shí)證分析
結(jié)論和未來的工作
第3章 裂解價(jià)差的建模、預(yù)測(cè)和交易：一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的滑動(dòng)窗口方法
引言
文獻(xiàn)綜述
描述性統(tǒng)計(jì)
方法
實(shí)證結(jié)果
結(jié)束語和研究的局限性
附錄
第4章 GEPTrader：一種用基因表達(dá)式編程構(gòu)建交易策略的新工具
引言
文獻(xiàn)綜述
數(shù)據(jù)集
GEPTrader
實(shí)驗(yàn)結(jié)果
結(jié)論
第三部分 經(jīng)濟(jì)
第5章 商業(yè)智能助力經(jīng)濟(jì)決策
引言
文獻(xiàn)綜述
創(chuàng)建商業(yè)自動(dòng)化數(shù)據(jù)經(jīng)濟(jì)模型的方法
模型的實(shí)證結(jié)果
結(jié)論
第四部分 信用風(fēng)險(xiǎn)與分析
第6章 信用風(fēng)險(xiǎn)評(píng)估中基于數(shù)據(jù)挖掘應(yīng)用的自動(dòng)化文獻(xiàn)分析
引言
材料和方法
結(jié)論和分析
結(jié)論
第7章 智能信用風(fēng)險(xiǎn)決策支持：架構(gòu)和實(shí)施
引言
文獻(xiàn)綜述
信用風(fēng)險(xiǎn)領(lǐng)域的決策支持與專家系統(tǒng)
結(jié)論
第8章 人工智能在伊斯蘭債券評(píng)級(jí)預(yù)測(cè)中的應(yīng)用
引言
文獻(xiàn)綜述
數(shù)據(jù)與研究方法
結(jié)果與分析
結(jié)論
附錄1
附錄2
附錄3
第五部分 投資組合管理、分析與優(yōu)化
第9 章 不確定性下的多周期投資組合選擇：一種基于交互的方法
引言
模型
模擬結(jié)果
選擇的一致性
討論
結(jié)論
附錄：部分偽碼
第10章 運(yùn)用多目標(biāo)遺傳算法應(yīng)對(duì)投資組合選擇中的模型風(fēng)險(xiǎn)
引言
投資組合優(yōu)化與現(xiàn)代投資組合理論
模型風(fēng)險(xiǎn)的概念
用于組合優(yōu)化的MOGA
投資組合的夏普比率誤差
股票預(yù)測(cè)模型
實(shí)驗(yàn)
實(shí)證結(jié)果與分析
結(jié)論
第11章 線性回歸與模糊線性回歸：在共同基金經(jīng)理績(jī)效評(píng)估中有何區(qū)別
引言
方法論
數(shù)據(jù)集描述
實(shí)證應(yīng)用
結(jié)論與未來展望
展開全部

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 節(jié)選

本書以人工智能（Artificial Intelligence，AI）為關(guān)注點(diǎn)，提供了大量AI 應(yīng)用于金融領(lǐng)域的案例。由于人工智能在金融領(lǐng)域的廣泛應(yīng)用和迅速發(fā)展，本書作為“量化交易與投資的新發(fā)展”系列叢書的**本由帕爾格雷夫?麥克米蘭出版社出版。這一系列叢書的目標(biāo)受眾廣泛，包括學(xué)者和專業(yè)金融分析師等。本書的目標(biāo)讀者是對(duì)預(yù)測(cè)、建模、交易、風(fēng)險(xiǎn)管理、經(jīng)濟(jì)學(xué)、信用風(fēng)險(xiǎn)和投資組合管理感興趣的人。我們希望通過提供AI 在不同金融領(lǐng)域的實(shí)證應(yīng)用，幫助那些正在尋找*新、*前沿AI 技術(shù)的學(xué)者和從業(yè)者。本書旨在為不同的市場(chǎng)和資產(chǎn)類別提供多種應(yīng)用。此外，我們查找了大量的文獻(xiàn)后發(fā)現(xiàn)，介紹將人工智能應(yīng)用于不同的金融領(lǐng)域或廣泛的市場(chǎng)和產(chǎn)品的文獻(xiàn)很少。 本書分為四個(gè)部分，每個(gè)部分都匯集了AI 領(lǐng)域的專家們的智慧，這些都是*新的原創(chuàng)和未公開發(fā)表的內(nèi)容。由于作者都是世界各地的老師和教授，所以文學(xué)碩士、理學(xué)碩士和工商管理碩士都可以從這些內(nèi)容中找到可以借鑒的東西。此外，對(duì)于專業(yè)的金融預(yù)測(cè)專家而言，本書中關(guān)于AI 的全面、可操作和*新的洞察也是無可匹敵的。為了讓讀者有機(jī)會(huì)親自應(yīng)用這些技術(shù)，本書還摘錄了一些編程代碼。 本書作者至少在三個(gè)方面超越了現(xiàn)有的文獻(xiàn)：**，我們加入了AI 在時(shí)間序列模型、經(jīng)濟(jì)學(xué)、信用和投資組合管理這四個(gè)不同金融領(lǐng)域中的實(shí)證應(yīng)用；第二，我們運(yùn)用的技術(shù)和方法非常廣泛，涵蓋了AI 的所有領(lǐng)域；第三，在每一章中，我們不僅調(diào)查了來自不同市場(chǎng)和資產(chǎn)類別的不同數(shù)據(jù)，而且調(diào)查了不同頻次的數(shù)據(jù)，包括每天的、每月的數(shù)據(jù)以及宏觀經(jīng)濟(jì)變量，甚至不同來源的文本數(shù)據(jù)。我們認(rèn)為，本書介紹的內(nèi)容非常翔實(shí)和實(shí)用，同時(shí)也挑戰(zhàn)了現(xiàn)有金融機(jī)構(gòu)和其他行業(yè)仍在使用的傳統(tǒng)模式和技術(shù)。要特別強(qiáng)調(diào)的是，后者非常重要，因?yàn)楸緯榻B的所有應(yīng)用都清楚地展示了應(yīng)用AI 來建模時(shí)間序列、提高政府決策能力、評(píng)估信用評(píng)級(jí)、選股和優(yōu)化投資組合的優(yōu)勢(shì)。本書的主要內(nèi)容 **部分 在引言之后，**部分重點(diǎn)介紹了各種時(shí)間序列，包括商品價(jià)差、股票和交易所交易基金。這一部分主要關(guān)注的是AI 方法在建模、預(yù)測(cè)和交易多種金融工具方面的應(yīng)用。AI 方法包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）、啟發(fā)式優(yōu)化算法（heuristic optimization algorithms）和混合技術(shù)。這部分內(nèi)容提供了金融時(shí)間序列分析應(yīng)用于預(yù)測(cè)和交易的*新進(jìn)展。我們通過對(duì)文獻(xiàn)的回顧發(fā)現(xiàn)，現(xiàn)有的方法要么過時(shí)了，要么范圍有限，因?yàn)樗鼈兠看沃魂P(guān)注一個(gè)特定的資產(chǎn)類別。而且，大多數(shù)文獻(xiàn)都只關(guān)注對(duì)外匯和股票的預(yù)測(cè)。例如，王（Wang）等人對(duì)應(yīng)用基于小波去噪（wavelet denoising）方法的反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）預(yù)測(cè)上海證券綜合指數(shù)進(jìn)行了研究和分析。這種神經(jīng)網(wǎng)絡(luò)的性能是以傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)為基準(zhǔn)的。目前，由于AI 領(lǐng)域的迅速發(fā)展，其他研究大多數(shù)都被認(rèn)為是多余的。例如，齊里利（Zirilli）曾經(jīng)對(duì)神經(jīng)網(wǎng)絡(luò)在金融市場(chǎng)預(yù)測(cè)中的實(shí)際應(yīng)用進(jìn)行了研究，然而當(dāng)預(yù)測(cè)金融變量時(shí)，他使用的技術(shù)就不再有效了。這是因?yàn)閿?shù)據(jù)越來越容易獲得，輸入數(shù)據(jù)集也越來越豐富，這就使捕捉輸入數(shù)據(jù)集和目標(biāo)變量之間的關(guān)系的方法變得更準(zhǔn)確。因此，對(duì)于*新的研究和技術(shù)革新而言，這種方法已過時(shí)了。 盡管很多期刊都刊載了關(guān)于將AI 應(yīng)用于各類資產(chǎn)的論文，但我們并沒有發(fā)現(xiàn)關(guān)注AI，特別是其在金融工具和市場(chǎng)中的實(shí)證應(yīng)用的書籍。因此，我們認(rèn)為用整個(gè)章節(jié)專門介紹時(shí)間序列建模、預(yù)測(cè)和交易是完全合理的。 第二部分 第二部分側(cè)重于將經(jīng)濟(jì)學(xué)作為一門更廣泛的學(xué)科，包括經(jīng)濟(jì)變量的預(yù)測(cè)和行為經(jīng)濟(jì)學(xué)，其中還提供了宏觀和微觀經(jīng)濟(jì)分析。本部分的目的是為讀者展示AI在經(jīng)濟(jì)建模領(lǐng)域的應(yīng)用及其作為一種提高企業(yè)和政府層面決策能力的方法的案例，F(xiàn)有的各種研究都側(cè)重于基于主體的模擬，例如，萊特納（Leitner）和沃爾（Wall）使用基于主體的模擬來研究經(jīng)濟(jì)和社會(huì)體系，泰廖（Teglio）等人也關(guān)注于依賴計(jì)算機(jī)模擬的社會(huì)和經(jīng)濟(jì)模型，以對(duì)復(fù)雜的經(jīng)濟(jì)和社會(huì)現(xiàn)象進(jìn)行建模和研究。奧新加（Osinga）等人*近發(fā)表的另一篇論文也利用基于主體的建模來捕獲經(jīng)濟(jì)變量之間的復(fù)雜關(guān)系。盡管這個(gè)部分只提供了一個(gè)實(shí)證應(yīng)用，但是我們認(rèn)為，要證明AI 的優(yōu)勢(shì)，尤其是“商業(yè)智能”，還有很長(zhǎng)的路要走。 由于我們?cè)诮?jīng)濟(jì)建模領(lǐng)域進(jìn)行了廣泛研究，很顯然，第二部分也應(yīng)專門討論這方面的內(nèi)容。事實(shí)上，鑒于這是近期的熱點(diǎn)，我們預(yù)計(jì)本書的第二部分會(huì)引起很多人的注意。 第三部分 第三部分重點(diǎn)分析了信用和公司結(jié)構(gòu)建模。這可以幫助讀者了解在需要做出投資決策時(shí)，AI 在評(píng)估基礎(chǔ)數(shù)據(jù)和金融報(bào)表方面的作用。我們?cè)诔醪秸{(diào)查后發(fā)現(xiàn)，目前很少有專門介紹運(yùn)用AI 方法進(jìn)行信用分析和企業(yè)金融分析的書籍。不過，我們發(fā)現(xiàn)有一些期刊論文提供了破產(chǎn)預(yù)測(cè)領(lǐng)域信用分析的觀點(diǎn)。例如，勞克瑞斯（Loukeris）和馬薩特思尼斯（Matsatsinis）嘗試使用AI 模型預(yù)測(cè)破產(chǎn)來研究企業(yè)金融。從這些期刊論文的研究結(jié)果來看，我們認(rèn)為企業(yè)金融能夠從第三部分給出的實(shí)證結(jié)果中獲益。 阿爾特曼（Altman）等人在信用分析領(lǐng)域開展了早期研究，他們研究了網(wǎng)絡(luò)層的使用及其如何導(dǎo)致了現(xiàn)有破產(chǎn)預(yù)測(cè)模型的重分類率的提高。在這種情況下，人們發(fā)現(xiàn)AI 有助于識(shí)別資本結(jié)構(gòu)和企業(yè)績(jī)效之間的關(guān)系。在企業(yè)金融領(lǐng)域的*新論文中，作者都會(huì)將AI方法應(yīng)用于各種信用案例研究。 我們懷疑他們是受到了2008 年全球信貸危機(jī)的啟發(fā)，因?yàn)榇蠖鄶?shù)論文都發(fā)表于2008 年信貸緊縮之后。例如，哈耶克（Hajek）利用神經(jīng)網(wǎng)絡(luò)分類和遺傳程序?qū)Τ鞘行庞迷u(píng)級(jí)建模來確定他的輸入數(shù)據(jù)集，他的模型旨在根據(jù)美國各城市的風(fēng)險(xiǎn)水平來劃分它們的信用等級(jí)。該模型包括數(shù)據(jù)預(yù)處理、輸入變量的選擇過程和各種神經(jīng)網(wǎng)絡(luò)分類結(jié)構(gòu)的設(shè)計(jì)。每個(gè)解釋變量都提取自金融報(bào)表和統(tǒng)計(jì)報(bào)表。這些變量代表了神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，而穆迪（Moody’s）評(píng)級(jí)機(jī)構(gòu)的評(píng)級(jí)等級(jí)則是輸出數(shù)據(jù)。研究結(jié)果表明，即使使用有限的輸入變量的子集，神經(jīng)網(wǎng)絡(luò)分類為債券發(fā)行人給出的評(píng)級(jí)等級(jí)也非常準(zhǔn)確。哈耶克進(jìn)行的進(jìn)一步研究提出了一種使用基于模糊規(guī)則系統(tǒng)進(jìn)行的信用評(píng)級(jí)分析；谀：(guī)則的前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以將美國公司（分為金融、制造業(yè)、采礦業(yè)、零售業(yè)、服務(wù)業(yè)和交通運(yùn)輸業(yè)）和各個(gè)城市劃分為評(píng)級(jí)機(jī)構(gòu)提供的信用評(píng)級(jí)等級(jí)。遺傳算法再次被當(dāng)作搜索方法使用，而且也應(yīng)用了過濾規(guī)則。實(shí)證結(jié)果證實(shí)，大部分現(xiàn)有研究對(duì)債券發(fā)行人的信用評(píng)級(jí)的分類都非常準(zhǔn)確。對(duì)所選模糊規(guī)則分類器的比較表明，對(duì)不同行業(yè)使用不同的分類器可以提高分類性能。 萊昂? 索里亞諾（León-Soriano）和姆諾斯? 托雷斯（Muñoz-Torres）使用三層前饋神經(jīng)網(wǎng)絡(luò)對(duì)兩個(gè)主要機(jī)構(gòu)的主權(quán)信用評(píng)級(jí)進(jìn)行了建模。即使在使用了一組經(jīng)過簡(jiǎn)化的、公開的經(jīng)濟(jì)數(shù)據(jù)的情況下，他們得到的結(jié)果也十分準(zhǔn)確。鐘（Zhong）等人通過分析四種不同的學(xué)習(xí)算法的有效性為企業(yè)信用評(píng)級(jí)建模。這四種算法分別是反向傳播、極限學(xué)習(xí)機(jī)、增量極限學(xué)習(xí)機(jī)和支持向量機(jī)（support vector machine，SVM）。結(jié)果表明，支持向量機(jī)比其他算法更準(zhǔn)確。 在破產(chǎn)預(yù)測(cè)和企業(yè)/ 主權(quán)信用評(píng)級(jí)領(lǐng)域進(jìn)行的研究正日益廣泛。我們相信，讀者將從第三部分對(duì)信用和企業(yè)融資進(jìn)行的研究中獲益。事實(shí)上，我們?cè)诘? 章介紹了AI 的一種應(yīng)用，它可以發(fā)現(xiàn)哪些領(lǐng)域的信用*受歡迎。AI 正逐漸出現(xiàn)在對(duì)信用分析和企業(yè)融資的研究中，以挑戰(zhàn)那些現(xiàn)有的方法。然而這些方法也有不完善之處，而且無法消除2008 年“信貸危機(jī)”的負(fù)面影響。 第四部分 本書的*后一部分側(cè)重于通過證券選擇、投資組合構(gòu)建和資產(chǎn)配置優(yōu)化的案例來分析投資組合理論。這無疑是投資組合經(jīng)理非常感興趣的內(nèi)容，因?yàn)樗麄儗で髲乃麄兊馁Y產(chǎn)組合中獲得*優(yōu)回報(bào)。投資組合優(yōu)化和證券選擇是AI 應(yīng)用的重要研究領(lǐng)域之一。然而，我們發(fā)現(xiàn)只有少數(shù)期刊論文和書籍關(guān)注了這一特殊領(lǐng)域。此外，由于AI 方法不斷地更新和改進(jìn)，這一領(lǐng)域的研究很快就會(huì)過時(shí)。 現(xiàn)有的期刊論文挑戰(zhàn)了馬科維茨（Markowitz）的均值? 方差法。例如，蘇布（Subbu）等人引入了一種強(qiáng)大的混合多目標(biāo)優(yōu)化方法，該方法將進(jìn)化計(jì)算與線性規(guī)劃相結(jié)合，以同時(shí)實(shí)現(xiàn)回報(bào)*大化、風(fēng)險(xiǎn)*小化和識(shí)別滿足所有限制條件的投資組合的有效邊界。他們得出的結(jié)論是，他們的帕累托分類進(jìn)化算法（pareto sorting evolutionary algorithm，PSEA）能夠穩(wěn)定地識(shí)別帕累托前沿（pareto front）在收益和風(fēng)險(xiǎn)空間上定義的*優(yōu)投資組合。他們還認(rèn)為這種算法比二維的且被廣泛被接受的馬科維茨方法更有效。 由特里皮（Trippi）和李（Lee）合著的一本書主要介紹了資產(chǎn)配置、時(shí)間決策、模式識(shí)別和風(fēng)險(xiǎn)評(píng)估。他們檢驗(yàn)了馬科維茨的投資組合優(yōu)化理論，并通過將其整合到一個(gè)基于知識(shí)的系統(tǒng)中而對(duì)其進(jìn)行了調(diào)整。總的來說，這本書很有趣，但它已經(jīng)是20 多年前出版的了。我們認(rèn)為，更新的應(yīng)用/ 方法可能對(duì)投資組合經(jīng)理和機(jī)構(gòu)投資者更有益。致謝 特別感謝那些為本書提供了原創(chuàng)的*新研究成果的作者。感謝那些在本書編寫過程中發(fā)揮了重要作用的編輯們。感謝出版商幫助我們將本書呈現(xiàn)給讀者閱讀。 我們希望這本書的出版將能夠促進(jìn)AI 在金融界的廣泛應(yīng)用。本書中所展示的模型和方法尚未被更多的受眾注意到，部分原因是這些研究成果分散在各種期刊和論文集中。我們希望這本書能夠幫助新一代的定量分析師和研究人員更好、更準(zhǔn)確地理解和解決復(fù)雜的問題。

金融AI算法:人工智能在金融領(lǐng)域的前沿應(yīng)用指南 作者簡(jiǎn)介

克里斯蒂安·L. 迪尼博士是Acanto研究院的創(chuàng)始合伙人，負(fù)責(zé)全球風(fēng)險(xiǎn)和新產(chǎn)品。他是利物浦約翰摩爾大學(xué)銀行和金融學(xué)名譽(yù)教授。從1999年2月到2011年8月，他一直在利物浦約翰摩爾大學(xué)管理國際銀行、經(jīng)濟(jì)和金融中心工作。他擁有國際經(jīng)濟(jì)學(xué)碩士學(xué)位和高級(jí)研究文憑，以及巴黎大學(xué)經(jīng)濟(jì)學(xué)博士學(xué)位。 彼得·W.米德爾頓博士擁有利物浦大學(xué)博士學(xué)位。他擁有資產(chǎn)管理方面的工作經(jīng)歷，發(fā)表了多篇關(guān)于商品價(jià)差預(yù)測(cè)和股票時(shí)間序列預(yù)測(cè)的文章。 安德里亞斯·卡拉薩索普洛斯博士在克里斯蒂安·L. 迪尼教授的指導(dǎo)下，獲得了利物浦約翰摩爾大學(xué)的理學(xué)碩士和博士學(xué)位。他從事學(xué)術(shù)研究工作，曾在阿爾斯特大學(xué)、倫敦都市大學(xué)和東倫敦大學(xué)任教。目前，他是貝魯特美國大學(xué)副教授，在人工智能領(lǐng)域發(fā)表了30多篇文章，并出版了1本專著。 康斯坦丁諾斯·西奧菲拉托斯博士擁有希臘帕特拉斯大學(xué)理學(xué)碩士和博士學(xué)位。他的研究方向包括計(jì)算智能、金融時(shí)間序列預(yù)測(cè)和交易、生物信息學(xué)、數(shù)據(jù)挖掘和網(wǎng)絡(luò)技術(shù)。他在科學(xué)期刊上發(fā)表了27篇論文，在多部會(huì)議論文集中發(fā)表了30多篇文章。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服