第一章：金融數據科學的起點

# 第一章：金融數據科學的起點 ## 1.1 背景 在金融業界，數據已經不再是偶發的報表，而是日常決策的核心。從股價、期貨、外匯到衍生商品，金融市場產生的資訊量巨大，且變化迅速。傳統的統計方法雖然已經應用多年，但面對多維度、高頻率的資料，常常無法快速捕捉到潛在的模式與風險。隨著雲端運算、機器學習以及深度學習技術的成熟，金融數據科學逐漸成為提升競爭力的關鍵。 ## 1.2 為何需要金融數據科學 1. **風險管理**：傳統VaR、CVaR模型在複雜情境下易失真，機器學習可建立更彈性的風險評估。 2. **資產定價**：Black‑Scholes等模型基於簡化假設，實際市場中有大量非線性因素，深度學習可擬合微觀價格行為。 3. **自動化交易**：策略設計、回測、部署、監控一條龍流程，結合數據流和實時訊號，實現高頻交易。 4. **合規與監管**：FINRA、ESMA等機構對交易資料要求日益嚴格，數據科學工具能協助自動化報表與風險警示。 ## 1.3 本書結構 | 章節 | 主題 | 主要內容 | |------|------|----------| | 1 | 基礎介紹 | 數據科學在金融中的定位、核心概念 | | 2 | 資料採集與前處理 | 取得行情、新聞、社群訊息，清理與轉換 | | 3 | 探索性分析 | 描述性統計、可視化、時間序列特徵 | | 4 | 監督式機器學習 | 回歸、分類、特徵工程 | | 5 | 無監督式學習 | 聚類、異常偵測、特徵降維 | | 6 | 時間序列模型 | ARIMA、GARCH、LSTM、Transformer | | 7 | 風險評估 | VaR、CVaR、信用風險 | | 8 | 交易策略 | 策略設計、回測框架、執行與風控 | | 9 | 部署與運維 | 雲端服務、容器化、監控 | | 10 | 未來展望 | 量子計算、人工智慧治理、倫理議題 | ## 1.4 讀者對象 - **金融從業人員**：投資銀行、資產管理、風控等，希望提升數據驅動決策的能力。 - **數據科學家**：擁有統計、機器學習背景，欲進入金融領域。 - **學術研究者**：對金融市場的理論與實證有興趣，尋找實際工具與案例。 ## 1.5 先備知識 | 領域 | 建議程度 | |------|----------| | Python | 中級（pandas、numpy、scikit‑learn） | | 數學 | 線性代數、微積分、機率論 | | 金融 | 資產定價、風險管理基礎 | | 資料庫 | SQL 基礎 | 若您在上述領域仍有不足，建議先閱讀相應教材，或利用本書的案例自我練習。 ## 1.6 如何使用本書 1. **線性閱讀**：按章節順序學習，掌握從資料到策略的完整流程。 2. **實作導向**：每章附有完整 Jupyter Notebook 範例，請跟著執行並調整參數。 3. **迴圈深化**：閱讀完章節後，回到前面的章節嘗試新資料或不同模型，體驗迭代優化。 4. **社群互動**：加入我們的討論區或 Slack 群，分享實戰經驗，互相解決問題。 ## 1.7 附錄 - **術語表**：常見金融、資料科學術語說明。 - **工具清單**：Python 套件、資料來源、雲端平台。 - **進階閱讀**：推薦論文、書籍、線上課程。 ## 1.8 參考資料 1. Engle, R. F. (1982). *Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation*. Econometrica. 2. Hull, J. (2018). *Options, Futures, and Other Derivatives*. Pearson. 3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning*. Springer. 4. Murphy, J. (2019). *Machine Learning: A Probabilistic Perspective*. The MIT Press. 5. Bollen, N., & Watson, H. (2014). *Data Mining and Analytics in the Finance Domain*. Wiley. --- 以上即為本章的概覽，接下來我們將進一步探討「資料採集與前處理」的實務技巧，為後續的模型構建打下堅實基礎。