本书聚焦“大语言模型+金融数据分析”这一核心，针对传统金融数据分析的痛点，整合基础理论与实战应用，旨在帮助读者切实提升金融数据挖掘与分析能力。
本书从大语言模型原理、主流模型获取及编程基础入手，深入讲解高效提示词设计技巧，全面覆盖金融数据收集、预处理、数据分析、可视化、建模与优化等全流程实操，逻辑清晰，循序渐进。
样章试读
目录
- 目录
第1章 大语言模型基础与使用指南
1.1 大语言模型简介与原理 1
1.1.1 从NLP发展到LLMs 1
1.1.2 DeepSeek的工作机制 4
1.2 大语言模型的获取与登录 8
1.2.1 DeepSeek的账号注册与登录 8
1.2.2 获取其他主流大语言模型 11
第2章 Python基础教程
2.1 Python概述与金融数据分析优势 15
2.1.1 Python语言特点 15
2.1.2 为什么选择Python进行金融数据分析16
2.1.3 Python在金融领域的典型应用场景 17
2.2 Python环境搭建与配置 18
2.2.1 主流的Python发行版19
2.2.2 Python安装教程之Anaconda 19
2.2.3 包管理工具pip与conda的基础使用 21
2.3 Python基本语法入门 22
2.3.1 变量与数据类型 23
2.3.2 数据结构基础 23
2.3.3 基本运算与表达式 24
2.3.4 控制流语句 24
2.3.5 函数定义与调用 25
第3章 大语言模型的提问艺术
3.1 Prompt介绍 26
3.2 构建高效提示词的核心要素 26
3.2.1 明确的目标 27
3.2.2 充分的背景信息 29
3.2.3 清晰简洁的表达 31
3.2.4 适当的示例和参考 33
3.2.5 输出格式的明确要求 34
3.2.6 提示词的结构与格式 36
3.3 提示词的优化更迭 38
3.4 Prompt 提示词生成工具 40
第4章 金融数据分析概述
4.1 金融数据的类型与来源 44
4.1.1 量化数据 44
4.1.2 文本数据 46
4.2 金融数据处理的流程 48
4.2.1 数据收集 49
4.2.2 数据清洗 51
4.2.3 数据预处理 54
4.2.4 数据分析与建模 55
4.2.5 可视化与报告生成 60
4.3 大语言模型在金融数据分析中的角色 61
4.3.1 大语言模型助力高效学习数据分析知识 61
4.3.2 大语言模型助力明确数据分析目标 62
4.3.3 大语言模型助力实现金融数据分析 63
第5章 大语言模型与金融数据收集
5.1 金融数据收集方法 65
5.1.1 什么是数据收集 65
5.1.2 一般数据获取方法 65
5.1.3 量化数据收集方法 67
5.1.4 文本数据收集方法 68
5.2 金融数据收集来源 69
5.2.1 量化数据常用来源 69
5.2.2 文本数据常用来源 69
5.3 利用大语言模型收集量化数据 70
5.3.1 利用大语言模型生成虚拟量化数据 70
5.3.2 利用大语言模型获取量化数据 71
5.3.3 利用大语言模型生成代码获取数据 74
5.4 利用大语言模型收集文本数据 76
5.4.1 利用大语言模型生成虚拟文本数据 76
5.4.2 利用大语言模型直接获取文本数据 78
5.4.3 利用大语言模型编写爬虫获取文本数据 80
第6章 利用大语言模型预处理金融数据
6.1 金融数据预处理的必要性 84
6.1.1 金融数据的特征 84
6.1.2 金融数据预处理的常见问题 86
6.1.3 数据预处理对金融建模的影响 88
6.1.4 大语言模型在金融数据预处理中的潜力 90
6.2 大语言模型在金融数据预处理中的应用 99
6.2.1 数据清洗与缺失值填补 99
6.2.2 异常值检测与修正 104
6.2.3 数据标准化与规范化 107
6.2.4 生成可解释的特征与数据转换 115
6.3 文本数据预处理 119
6.3.1 文本数据清洗 119
6.3.2 文本数据的分词与词频统计 123
6.3.3 使用大语言模型的API 进行大规模文本数据预处理 128
第7章 利用大语言模型进行量化数据分析
7.1 大语言模型在量化数据分析中的角色 131
7.1.1 数据分析辅助工具 131
7.1.2 代码生成与调试支持 132
7.2 利用大语言模型进行数据描述性分析 137
7.2.1 基本统计指标计算 137
7.2.2 数据分布分析 138
7.2.3 数据相关性分析 144
7.3 利用大语言模型进行数据参数估计 151
7.3.1 推断性统计分析简介 151
7.3.2 利用大语言模型进行点估计 152
7.3.3 利用大语言模型进行区间估计 163
第8章 利用大语言模型进行数据可视化
8.1 数据可视化概述 173
8.1.1 什么是数据可视化 173
8.1.2 如何通过可视化分析发现数据中的趋势和模式 174
8.1.3 数据可视化流程 175
8.2 利用大语言模型生成比较型图表 176
8.2.1 柱状图 177
8.2.2 堆积图 179
8.2.3 饼 图 181
8.3 利用大语言模型生成趋势型图表 184
8.3.1 折线图 185
8.3.2 面积图 189
8.3.3 蜡烛图 192
8.3.4 动态趋势图 195
8.4 利用大语言模型生成分布型图表 198
8.4.1 散点图 199
8.4.2 箱线图 203
8.4.3 热力图 206
8.4.4 核密度图 208
8.4.5 直方图 211
8.5 利用大语言模型生成复合型图表 213
8.5.1 雷达图 213
8.5.2 词云图 216
8.5.3 气泡图 218
第9章 利用大语言模型进行建模与优化
9.1 利用大语言模型进行回归 222
9.1.1 回归简介 222
9.1.2 利用大语言模型设计回归模型 222
9.1.3 利用大语言模型构建回归代码 224
9.1.4 利用大语言模型解读回归结果 225
9.1.5 利用大语言模型优化回归结果 227
9.2 利用大语言模型进行时间序列分析与建模 229
9.2.1 金融时间序列介绍 229
9.2.2 利用大语言模型对时间序列数据进行分析 229
9.2.3 利用大语言模型实现时间序列模型 232
9.3 利用大语言模型进行股价预测建模 245
9.3.1 股票价值预测的基本概念 245
9.3.2 利用大语言模型进行股票预测 245
9.4 利用大语言模型进行风险与收益分析 259
9.4.1 投资组合分析与优化 259
9.4.2 量化交易策略生成与测试 262
第10章 利用大语言模型分析金融文本数据
10.1 文本数据的分析框架 267
10.1.1 文本预处理 267
10.1.2 实体与主题抽取 268
10.1.3 情感分析 269
10.2 使用大语言模型进行文本分析的方法介绍 270
10.2.1 基于Web 的交互式分析 270
10.2.2 基于API 的集成开发分析 271
10.2.3 基于本地部署模型的文本分析 271
10.3 使用大语言模型分析评论数据 272
10.3.1 文本情绪对市场的影响分析 272
10.3.2 使用大语言模型对评论文本情感分析 273
10.4 使用大语言模型分析报告 284
10.4.1 金融报告类型与核心要素 284
10.4.2 利用大语言模型分析公司年报 285
10.4.3 利用大语言模型分析公司文本主题 292
10.4.4 利用大语言模型分析政府工作报告 296
10.5 文本数据中的实体识别与关系抽取 302
参考文献 307
京公网安备 11010102004214号