金融时间序列预测与AI量化交易的研究
随着金融市场的不断演变和数据量的急剧增长，机器学习技术已成为金融科技领域的核心驱动力。作为一种能够处理大规模 多样性数据并从中学习出隐藏模式的技术，机器学习在金融市场预测 信用评分 风险管理 智能投顾等多个方面展现出了强大的应用潜力。尤其是在市场预测和量化交易中，机器学习方法不仅能够高效处理历史数据，发现复杂的非线性关系，还可以动态适应市场变化，为投资者提供更加智能化和精准化的决策支持。
然而，机器学习在金融领域的应用也面临着诸多挑战。金融数据通常具有噪声高 非线性 时变性强的特点，同时容易受到外部事件的干扰，使得单纯依赖传统机器学习模型难以满足实际需求。因此，如何结合金融领域的专业知识，设计更为合理的模型结构和特征工程，并利用最新的深度学习 大型语言模型（LLMs） 多模态融合 强化学习等技术，是当前研究和应用的核心问题。
本课程旨在全面探索机器学习在金融市场预测与量化交易中的前沿知识和实践方法。课程将从金融领域的实际问题出发，聚焦于多种AI技术在金融建模过程中的深度融合与交叉应用，深入讲解如何利用深度学习模型（如LSTM Transformer等）进行时间序列预测，如何通过自然语言处理（NLP）技术分析金融文本信息，如何结合结构化数据 文本数据与图形式的数据开展多源信息建模，如何基于滚动优化机制实现投资组合的动态配置，以及如何应用大型语言模型（LLMs）构建具备推理与交互能力的智能金融决策系统。