掃一掃
關(guān)注中圖網(wǎng)
官方微博
買過本商品的人還買了
Python與量化投資從基礎(chǔ)到實(shí)戰(zhàn) 版權(quán)信息
- ISBN：9787121338571
- 條形碼：9787121338571 ; 978-7-121-33857-1
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
Python與量化投資從基礎(chǔ)到實(shí)戰(zhàn) 本書特色
本書主要講解如何利用Python進(jìn)行量化投資，包括對數(shù)據(jù)的獲取、整理、分析挖掘、信號構(gòu)建、策略構(gòu)建、回測、策略分析等。本書也是利用Python進(jìn)行數(shù)據(jù)分析的指南，有大量的關(guān)于數(shù)據(jù)處理分析的應(yīng)用，并將重點(diǎn)介紹如何高效地利用Python解決投資策略問題。本書分為Python基礎(chǔ)和量化投資兩大部分：Python基礎(chǔ)部分主要講解Python軟件的基礎(chǔ)、各個重要模塊及如何解決常見的數(shù)據(jù)分析問題；量化投資部分在Python基礎(chǔ)部分的基礎(chǔ)上，講解如何使用優(yōu)礦（uqer.io）回測平臺實(shí)現(xiàn)主流策略及高級定制策略等。本書可作為專業(yè)金融從業(yè)者進(jìn)行量化投資的工具書，也可作為金融領(lǐng)域的入門參考書。在本書中有大量的Python代碼、Python量化策略的實(shí)現(xiàn)代碼等，尤其是對于量化策略的實(shí)現(xiàn)代碼，讀者可直接自行修改并獲得策略的歷史回測結(jié)果，甚至可將代碼直接實(shí)盤應(yīng)用，進(jìn)行投資。
Python與量化投資從基礎(chǔ)到實(shí)戰(zhàn) 內(nèi)容簡介
王小川等主編的《Python與量化投資(從基礎(chǔ)到實(shí)戰(zhàn))》主要講解如何利用Python進(jìn)行量化投資，包括對數(shù)據(jù)的獲取、整理、分析挖掘、信號構(gòu)建、策略構(gòu)建、回測、策略分析等。本書也是利用Python進(jìn)行數(shù)據(jù)分析的指南，有大量的關(guān)于數(shù)據(jù)處理分析的應(yīng)用，并將重點(diǎn)介紹如何高效地利用Python解決投資策略問題。本書分為Python基礎(chǔ)和量化投資兩大部分：Python基礎(chǔ)部分主要講解Python軟件的基礎(chǔ)、各個重要模塊及如何解決常見的數(shù)據(jù)分析問題；量化投資部分在Python基礎(chǔ)部分的基礎(chǔ)上，講解如何使用優(yōu)礦（uqer.io）回測平臺實(shí)現(xiàn)主流策略及不錯定制策略等。
本書可作為專業(yè)金融從業(yè)者進(jìn)行量化投資的工具書，也可作為金融領(lǐng)域的入門參考書。在本書中有大量的Python代碼、Python量化策略的實(shí)現(xiàn)代碼等，尤其是對于量化策略的實(shí)現(xiàn)代碼，讀者可直接自行修改并獲得策略的歷史回測結(jié)果，甚至可將代碼直接實(shí)盤應(yīng)用，進(jìn)行投資。
Python與量化投資從基礎(chǔ)到實(shí)戰(zhàn) 目錄
目 錄
第1章 準(zhǔn)備工作 1
1.1 Python的安裝與設(shè)置 1
1.2 常見的Python庫 2
第2章 Python基礎(chǔ)介紹 7
2.1 Python學(xué)習(xí)準(zhǔn)備 7
2.2 Python語法基礎(chǔ) 11
2.2.1 常量與變量 11
2.2.2 數(shù)與字符串 11
2.2.3 數(shù)據(jù)類 15
2.2.4 標(biāo)識符 18
2.2.5 對象 19
2.2.6 行與縮進(jìn) 20
2.2.7 注釋 22
2.3 Python運(yùn)算符與表達(dá)式 22
2.3.1 算數(shù)運(yùn)算符 22
2.3.2 比較運(yùn)算符 24
2.3.3 邏輯運(yùn)算符 25
2.3.4 Python中的優(yōu)先級 27
2.4 Python中的控制流 27
2.4.1 控制流的功能 28
2.4.2 Python的三種控制流 29
2.4.3 認(rèn)識分支結(jié)構(gòu)if 30
2.4.4 認(rèn)識循環(huán)結(jié)構(gòu)for…in 32
2.4.5 認(rèn)識循環(huán)結(jié)構(gòu)while 33
2.4.6 break語句與continue語句 35
2.5 Python函數(shù) 39
2.5.1 認(rèn)識函數(shù) 39
2.5.2 形參與實(shí)參 40
2.5.3 全局變量與局部變量 44
2.5.4 對函數(shù)的調(diào)用與返回值 45
2.5.5 文檔字符串 46
2.6 Python模塊 47
2.6.1 認(rèn)識Python模塊 47
2.6.2 from…import詳解 49
2.6.3 認(rèn)識__name__屬性 50
2.6.4 自定義模塊 50
2.6.5 dir()函數(shù) 51
2.7 Python異常處理與文件操作 52
2.7.1 Python異常處理 52
2.7.2 異常的發(fā)生 55
2.7.3 try…finally的使用 56
2.7.4 文件操作 57
第3章 Python進(jìn)階 59
3.1 NumPy的使用 59
3.1.1 多維數(shù)組ndarray 59
3.1.2 ndarray的數(shù)據(jù)類型 60
3.1.3 數(shù)組索引、切片和賦值 61
3.1.4 基本的數(shù)組運(yùn)算 62
3.1.5 隨機(jī)數(shù) 63
3.2 Pandas的使用 67
3.2.1 Pandas的數(shù)據(jù)結(jié)構(gòu) 68
3.2.2 Pandas輸出設(shè)置 70
3.2.3 Pandas數(shù)據(jù)讀取與寫入 70
3.2.4 數(shù)據(jù)集快速描述性統(tǒng)計(jì)分析 71
3.2.5 根據(jù)已有的列建立新列 72
3.2.6 DataFrame按多列排序 73
3.2.7 DataFrame去重 73
3.2.8 刪除已有的列 74
3.2.9 Pandas替換數(shù)據(jù) 75
3.2.10 DataFrame重命名 75
3.2.11 DataFrame切片與篩選 76
3.2.12 連續(xù)型變量分組 78
3.2.13 Pandas分組技術(shù) 79
3.3 SciPy的初步使用 83
3.3.1 回歸分析 84
3.3.2 插值 87
3.3.3 正態(tài)性檢驗(yàn) 89
3.3.4 凸優(yōu)化 93
3.4 Matplotlib的使用 97
3.5 Seaborn的使用 97
3.5.1 主題管理 98
3.5.2 調(diào)色板 101
3.5.3 分布圖 102
3.5.4 回歸圖 104
3.5.5 矩陣圖 106
3.5.6 結(jié)構(gòu)網(wǎng)格圖 108
3.6 Scikit-Learn的初步使用 109
3.6.1 Scikit-Learn學(xué)習(xí)準(zhǔn)備 110
3.6.2 常見的機(jī)器學(xué)習(xí)模型 111
3.6.3 模型評價(jià)方法——metric模塊 120
3.6.4 深度學(xué)習(xí) 124
3.7 SQLAlchemy與常用數(shù)據(jù)庫的連接 124
3.7.1 連接數(shù)據(jù)庫 125
3.7.2 讀取數(shù)據(jù) 126
3.7.3 存儲數(shù)據(jù) 126
第4章 常用數(shù)據(jù)的獲取與整理 129
4.1 金融數(shù)據(jù)類型 129
4.2 金融數(shù)據(jù)的獲取 131
4.3 數(shù)據(jù)整理 135
4.3.1 數(shù)據(jù)整合 135
4.3.2 數(shù)據(jù)過濾 137
4.3.3 數(shù)據(jù)探索與數(shù)據(jù)清洗 138
4.3.4 數(shù)據(jù)轉(zhuǎn)化 140
第5章 通聯(lián)數(shù)據(jù)回測平臺介紹 143
5.1 回測平臺函數(shù)與參數(shù)介紹 144
5.1.1 設(shè)置回測參數(shù) 144
5.1.2 accounts賬戶配置 154
5.1.3 initialize（策略初始化環(huán)境） 160
5.1.4 handle_data（策略運(yùn)行邏輯） 160
5.1.5 context（策略運(yùn)行環(huán)境） 160
5.2 股票模板實(shí)例 168
5.3 期貨模板實(shí)例 173
5.4 策略回測詳情 179
5.5 策略的風(fēng)險(xiǎn)評價(jià)指標(biāo) 181
5.6 策略交易細(xì)節(jié) 184
第6章 常用的量化策略及其實(shí)現(xiàn) 187
6.1 量化投資概述 187
6.1.1 量化投資簡介 187
6.1.2 量化投資策略的類型 188
6.1.3 量化研究的流程 189
6.2 行業(yè)輪動理論及其投資策略 192
6.2.1 行業(yè)輪動理論簡介 192
6.2.2 行業(yè)輪動的原因 192
6.2.3 行業(yè)輪動投資策略 194
6.3 市場中性Alpha策略 199
6.3.1 市場中性Alpha策略介紹 199
6.3.2 市場中性Alpha策略的思想和方法 200
6.3.3 實(shí)例展示 201
6.4 大師策略 206
6.4.1 麥克·歐希金斯績優(yōu)成分股投資法 207
6.4.2 杰拉爾丁·維斯藍(lán)籌股投資法 211
6.5 CTA策略 219
6.5.1 趨勢跟隨策略 219
6.5.2 均值回復(fù)策略 241
6.5.3 CTA策略表現(xiàn)分析 253
6.6 Smart Beta 258
6.6.1 基于權(quán)重優(yōu)化的Smart Beta 258
6.6.2 基于風(fēng)險(xiǎn)因子的Smart Beta 268
6.7 技術(shù)指標(biāo)類策略 281
6.7.1 AROON指標(biāo) 281
6.7.2 BOLL指標(biāo) 285
6.7.3 CCI指標(biāo) 288
6.7.4 CMO指標(biāo) 293
6.7.5 Chaikin Oscillator指標(biāo) 295
6.7.6 DMI指標(biāo) 299
6.7.7 優(yōu)礦平臺因子匯總 302
6.8 資產(chǎn)配置 317
6.8.1 有效邊界 318
6.8.2 Black-Litterman模型 335
6.8.3 風(fēng)險(xiǎn)平價(jià)模型 349
6.9 時(shí)間序列分析 358
6.9.1 與時(shí)間序列分析相關(guān)的基礎(chǔ)知識 358
6.9.2 自回歸（AR）模型 365
6.9.3 滑動平均（MA）模型 372
6.9.4 自回歸滑動平均（ARMA）模型 376
6.9.5 自回歸差分滑動平均（ARIMA）模型 379
6.10 組合優(yōu)化器的使用 384
6.10.1 優(yōu)化器的概念 384
6.10.2 優(yōu)化器的API接口 386
6.10.3 優(yōu)化器實(shí)例 388
6.11 期權(quán)策略：Greeks和隱含波動率微笑計(jì)算 392
6.11.1 數(shù)據(jù)準(zhǔn)備 392
6.11.2 Greeks和隱含波動率計(jì)算 394
6.11.3 隱含波動率微笑 401
第7章 量化投資十問十答 405
第1章 準(zhǔn)備工作 1
1.1 Python的安裝與設(shè)置 1
1.2 常見的Python庫 2
第2章 Python基礎(chǔ)介紹 7
2.1 Python學(xué)習(xí)準(zhǔn)備 7
2.2 Python語法基礎(chǔ) 11
2.2.1 常量與變量 11
2.2.2 數(shù)與字符串 11
2.2.3 數(shù)據(jù)類 15
2.2.4 標(biāo)識符 18
2.2.5 對象 19
2.2.6 行與縮進(jìn) 20
2.2.7 注釋 22
2.3 Python運(yùn)算符與表達(dá)式 22
2.3.1 算數(shù)運(yùn)算符 22
2.3.2 比較運(yùn)算符 24
2.3.3 邏輯運(yùn)算符 25
2.3.4 Python中的優(yōu)先級 27
2.4 Python中的控制流 27
2.4.1 控制流的功能 28
2.4.2 Python的三種控制流 29
2.4.3 認(rèn)識分支結(jié)構(gòu)if 30
2.4.4 認(rèn)識循環(huán)結(jié)構(gòu)for…in 32
2.4.5 認(rèn)識循環(huán)結(jié)構(gòu)while 33
2.4.6 break語句與continue語句 35
2.5 Python函數(shù) 39
2.5.1 認(rèn)識函數(shù) 39
2.5.2 形參與實(shí)參 40
2.5.3 全局變量與局部變量 44
2.5.4 對函數(shù)的調(diào)用與返回值 45
2.5.5 文檔字符串 46
2.6 Python模塊 47
2.6.1 認(rèn)識Python模塊 47
2.6.2 from…import詳解 49
2.6.3 認(rèn)識__name__屬性 50
2.6.4 自定義模塊 50
2.6.5 dir()函數(shù) 51
2.7 Python異常處理與文件操作 52
2.7.1 Python異常處理 52
2.7.2 異常的發(fā)生 55
2.7.3 try…finally的使用 56
2.7.4 文件操作 57
第3章 Python進(jìn)階 59
3.1 NumPy的使用 59
3.1.1 多維數(shù)組ndarray 59
3.1.2 ndarray的數(shù)據(jù)類型 60
3.1.3 數(shù)組索引、切片和賦值 61
3.1.4 基本的數(shù)組運(yùn)算 62
3.1.5 隨機(jī)數(shù) 63
3.2 Pandas的使用 67
3.2.1 Pandas的數(shù)據(jù)結(jié)構(gòu) 68
3.2.2 Pandas輸出設(shè)置 70
3.2.3 Pandas數(shù)據(jù)讀取與寫入 70
3.2.4 數(shù)據(jù)集快速描述性統(tǒng)計(jì)分析 71
3.2.5 根據(jù)已有的列建立新列 72
3.2.6 DataFrame按多列排序 73
3.2.7 DataFrame去重 73
3.2.8 刪除已有的列 74
3.2.9 Pandas替換數(shù)據(jù) 75
3.2.10 DataFrame重命名 75
3.2.11 DataFrame切片與篩選 76
3.2.12 連續(xù)型變量分組 78
3.2.13 Pandas分組技術(shù) 79
3.3 SciPy的初步使用 83
3.3.1 回歸分析 84
3.3.2 插值 87
3.3.3 正態(tài)性檢驗(yàn) 89
3.3.4 凸優(yōu)化 93
3.4 Matplotlib的使用 97
3.5 Seaborn的使用 97
3.5.1 主題管理 98
3.5.2 調(diào)色板 101
3.5.3 分布圖 102
3.5.4 回歸圖 104
3.5.5 矩陣圖 106
3.5.6 結(jié)構(gòu)網(wǎng)格圖 108
3.6 Scikit-Learn的初步使用 109
3.6.1 Scikit-Learn學(xué)習(xí)準(zhǔn)備 110
3.6.2 常見的機(jī)器學(xué)習(xí)模型 111
3.6.3 模型評價(jià)方法——metric模塊 120
3.6.4 深度學(xué)習(xí) 124
3.7 SQLAlchemy與常用數(shù)據(jù)庫的連接 124
3.7.1 連接數(shù)據(jù)庫 125
3.7.2 讀取數(shù)據(jù) 126
3.7.3 存儲數(shù)據(jù) 126
第4章 常用數(shù)據(jù)的獲取與整理 129
4.1 金融數(shù)據(jù)類型 129
4.2 金融數(shù)據(jù)的獲取 131
4.3 數(shù)據(jù)整理 135
4.3.1 數(shù)據(jù)整合 135
4.3.2 數(shù)據(jù)過濾 137
4.3.3 數(shù)據(jù)探索與數(shù)據(jù)清洗 138
4.3.4 數(shù)據(jù)轉(zhuǎn)化 140
第5章 通聯(lián)數(shù)據(jù)回測平臺介紹 143
5.1 回測平臺函數(shù)與參數(shù)介紹 144
5.1.1 設(shè)置回測參數(shù) 144
5.1.2 accounts賬戶配置 154
5.1.3 initialize（策略初始化環(huán)境） 160
5.1.4 handle_data（策略運(yùn)行邏輯） 160
5.1.5 context（策略運(yùn)行環(huán)境） 160
5.2 股票模板實(shí)例 168
5.3 期貨模板實(shí)例 173
5.4 策略回測詳情 179
5.5 策略的風(fēng)險(xiǎn)評價(jià)指標(biāo) 181
5.6 策略交易細(xì)節(jié) 184
第6章 常用的量化策略及其實(shí)現(xiàn) 187
6.1 量化投資概述 187
6.1.1 量化投資簡介 187
6.1.2 量化投資策略的類型 188
6.1.3 量化研究的流程 189
6.2 行業(yè)輪動理論及其投資策略 192
6.2.1 行業(yè)輪動理論簡介 192
6.2.2 行業(yè)輪動的原因 192
6.2.3 行業(yè)輪動投資策略 194
6.3 市場中性Alpha策略 199
6.3.1 市場中性Alpha策略介紹 199
6.3.2 市場中性Alpha策略的思想和方法 200
6.3.3 實(shí)例展示 201
6.4 大師策略 206
6.4.1 麥克·歐希金斯績優(yōu)成分股投資法 207
6.4.2 杰拉爾丁·維斯藍(lán)籌股投資法 211
6.5 CTA策略 219
6.5.1 趨勢跟隨策略 219
6.5.2 均值回復(fù)策略 241
6.5.3 CTA策略表現(xiàn)分析 253
6.6 Smart Beta 258
6.6.1 基于權(quán)重優(yōu)化的Smart Beta 258
6.6.2 基于風(fēng)險(xiǎn)因子的Smart Beta 268
6.7 技術(shù)指標(biāo)類策略 281
6.7.1 AROON指標(biāo) 281
6.7.2 BOLL指標(biāo) 285
6.7.3 CCI指標(biāo) 288
6.7.4 CMO指標(biāo) 293
6.7.5 Chaikin Oscillator指標(biāo) 295
6.7.6 DMI指標(biāo) 299
6.7.7 優(yōu)礦平臺因子匯總 302
6.8 資產(chǎn)配置 317
6.8.1 有效邊界 318
6.8.2 Black-Litterman模型 335
6.8.3 風(fēng)險(xiǎn)平價(jià)模型 349
6.9 時(shí)間序列分析 358
6.9.1 與時(shí)間序列分析相關(guān)的基礎(chǔ)知識 358
6.9.2 自回歸（AR）模型 365
6.9.3 滑動平均（MA）模型 372
6.9.4 自回歸滑動平均（ARMA）模型 376
6.9.5 自回歸差分滑動平均（ARIMA）模型 379
6.10 組合優(yōu)化器的使用 384
6.10.1 優(yōu)化器的概念 384
6.10.2 優(yōu)化器的API接口 386
6.10.3 優(yōu)化器實(shí)例 388
6.11 期權(quán)策略：Greeks和隱含波動率微笑計(jì)算 392
6.11.1 數(shù)據(jù)準(zhǔn)備 392
6.11.2 Greeks和隱含波動率計(jì)算 394
6.11.3 隱含波動率微笑 401
第7章 量化投資十問十答 405
展開全部
Python與量化投資從基礎(chǔ)到實(shí)戰(zhàn) 作者簡介
通聯(lián)數(shù)據(jù)資深量化投資專家，多本暢銷書的作者，在量化投資領(lǐng)域和神經(jīng)網(wǎng)絡(luò)領(lǐng)域有自己的流量，人氣頗高，為高水準(zhǔn)高知名度作者。
書友推薦
- >
巴金－再思錄
- >
上帝之肋:男人的真實(shí)旅程
- >
二體千字文
- >
羅庸西南聯(lián)大授課錄
- >
煙與鏡
- >
羅曼·羅蘭讀書隨筆-精裝
- >
朝聞道
- >
苦雨齋序跋文-周作人自編集
本類暢銷
