掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
Python金融大數據分析 版權信息
- ISBN：9787115521330
- 條形碼：9787115521330 ; 978-7-115-52133-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python金融大數據分析 本書特色
《Python金融大數據分析 第2版》分為5部分，共21章。第1部分介紹了Python在金融學中的應用，其內容涵蓋了Python用于金融行業的原因、Python的基礎架構和工具，以及Python在計量金融學中的一些具體入門實例；第2部分介紹了Python的基礎知識以及Python中非常有名的庫NumPy和pandas工具集，還介紹了面向對象編程；第3部分介紹金融數據科學的相關基本技術和方法，包括數據可視化、輸入/輸出操作和數學中與金融相關的知識等；第4部分介紹Python在算法交易上的應用，重點介紹常見算法，包括機器學習、深度神經網絡等人工智能相關算法；第5部分講解基于蒙特卡洛模擬開發期權及衍生品定價的應用，其內容涵蓋了估值框架的介紹、金融模型的模擬、衍生品的估值、投資組合的估值等知識。 《Python金融大數據分析 第2版》本書適合對使用Python進行大數據分析、處理感興趣的金融行業開發人員閱讀。
Python金融大數據分析 內容簡介
Python已成為數據驅動AI、金融優先選擇的編程語言。現在，一些大型的投資銀行和對沖資金均使用Python及其生態系統來構建核心交易與風險管理系統。在本書中，作者向開發人員和量化分析人員介紹了使用Python程序庫與工具，完成金融數據科學、算法交易和計算金融任務的方法。 Python與金融：Python交互式金融分析與程序開發入門。 基本知識：學習Python數據類型與結構、NumPy、pandas及其DataFrame類、面向對象編程。 金融數據科學：探索用于金融時間序列數據、I/O操作、推斷統計學和機器學習的Python技術與程序庫。 算法交易：使用Python來驗證和部署自動算法交易策略。 衍生品分析：開發靈活、強大的Python期權、衍生品定價和風險管理程序庫。
Python金融大數據分析 目錄
目錄
第 1部分 Python與金融
第 1章 為什么將Python用于金融 3
1.1 Python編程語言 3
1.1.1 Python簡史 5
1.1.2 Python生態系統 6
1.1.3 Python用戶譜系 7
1.1.4 科學棧 7
1.2 金融中的科技 8
1.2.1 科技投入 9
1.2.2 作為業務引擎的科技 9
1.2.3 作為進入門檻的科技和人才 10
1.2.4 不斷提高的速度、頻率和數據量 10
1.2.5 實時分析的興起 11
1.3 用于金融的Python 12
1.3.1 金融和Python語法 12
1.3.2 Python的效率和生產率 16
1.3.3 從原型化到生產 20
1.4 數據驅動和人工智能優先的金融學 21
1.4.1 數據驅動金融學 21
1.4.2 人工智能優先金融學 24
1.5 結語 26
1.6 延伸閱讀 27
第 2章 Python基礎架構 29
2.1 作為包管理器使用的conda 31
2.1.1 安裝Miniconda 31
2.1.2 conda基本操作 33
2.2 作為虛擬環境管理器的conda 37
2.3 使用Docker容器 41
2.3.1 Docker鏡像和容器 41
2.3.2 構建Ubuntu和Python Docker鏡像 42
2.4 使用云實例 46
2.4.1 RSA公鑰和私鑰 47
2.4.2 Jupyter Notebook配置文件 48
2.4.3 Python和Jupyter Notebook安裝腳本 49
2.4.4 協調Droplet設置的腳本 51
2.5 結語 52
2.6 延伸閱讀 53
第 2部分 掌握基礎知識
第3章 數據類型與結構 57
3.1 基本數據類型 58
3.1.1 整數 58
3.1.2 浮點數 59
3.1.3 布爾值 61
3.1.4 字符串 65
3.1.5 題外話：打印和字符串替換 66
3.1.6 題外話：正則表達式 69
3.2 基本數據結構 71
3.2.1 元組 71
3.2.2 列表 72
3.2.3 題外話：控制結構 74
3.2.4 題外話：函數式編程 75
3.2.5 字典 76
3.2.6 集合 78
3.3 結語 79
3.4 延伸閱讀 79
第4章 用NumPy進行數值計算 81
4.1 數據數組 82
4.1.1 用Python列表形成數組 82
4.1.2 Python array類 84
4.2 常規NumPy數組 86
4.2.1 基礎知識 86
4.2.2 多維數組 89
4.2.3 元信息 93
4.2.4 改變組成與大小 93
4.2.5 布爾數組 97
4.2.6 速度對比 99
4.3 NumPy結構數組 100
4.4 代碼向量化 102
4.4.1 基本向量化 102
4.4.2 內存布局 105
4.5 結語 107
4.6 延伸閱讀 108
第5章 pandas數據分析 109
5.1 DataFrame類 110
5.1.1 使用DataFrame類的第 一步 110
5.1.2 使用DataFrame類的第二步 114
5.2 基本分析 118
5.3 基本可視化 122
5.4 Series類 124
5.5 GroupBy操作 126
5.6 復雜選擇 128
5.7 聯接、連接和合并 131
5.7.1 聯接 132
5.7.2 連接 133
5.7.3 合并 135
5.8 性能特征 137
5.9 結語 139
5.10 延伸閱讀 140
第6章 面向對象編程 141
6.1 Python對象簡介 145
6.1.1 int 145
6.1.2 list 146
6.1.3 ndarray 146
6.1.4 DataFrame 148
6.2 Python類基礎知識 149
6.3 Python數據模型 154
6.4 Vector類 158
6.5 結語 159
6.6 延伸閱讀 159
第3部分 金融數據科學
第7章 數據可視化 163
7.1 靜態2D繪圖 164
7.1.1 一維數據集 164
7.1.2 二維數據集 170
7.1.3 其他繪圖樣式 177
7.2 靜態3D繪圖 184
7.3 交互式2D繪圖 188
7.3.1 基本圖表 188
7.3.2 金融圖表 192
7.4 結語 196
7.5 延伸閱讀 196
第8章 金融時間序列 197
8.1 金融數據 198
8.1.1 數據導入 198
8.1.2 匯總統計 201
8.1.3 隨時間推移的變化 203
8.1.4 重新采樣 207
8.2 滾動統計 209
8.2.1 概述 209
8.2.2 技術分析示例 211
8.3 相關分析 213
8.3.1 數據 213
8.3.2 對數回報率 214
8.3.3 OLS回歸 216
8.3.4 相關 217
8.4 高頻數據 218
8.5 結語 220
8.6 延伸閱讀 220
第9章 輸入/輸出操作 221
9.1 Python基本I/O 222
9.1.1 將對象寫入磁盤 222
9.1.2 讀取和寫入文本文件 225
9.1.3 使用SQL數據庫 229
9.1.4 讀寫NumPy數組 232
9.2 pandas的I/O 234
9.2.1 使用SQL數據庫 235
9.2.2 從SQL到pandas 237
9.2.3 使用CSV文件 239
9.2.4 使用Excel文件 240
9.3 PyTables的I/O 242
9.3.1 使用表 242
9.3.2 使用壓縮表 250
9.3.3 使用數組 252
9.3.4 內存外計算 253
9.4 TsTables的I/O 256
9.4.1 樣板數據 257
9.4.2 數據存儲 258
9.4.3 數據檢索 259
9.5 結語 261
9.6 延伸閱讀 262
第 10章 高性能的Python 265
10.1 循環 266
10.1.1 Python 266
10.1.2 NumPy 267
10.1.3 Numba 268
10.1.4 Cython 269
10.2 算法 271
10.2.1 質數 271
10.2.2 斐波那契數 275
10.2.3 π 279
10.3 二叉樹 283
10.3.1 Python 283
10.3.2 NumPy 285
10.3.3 Numba 286
10.3.4 Cython 287
10.4 蒙特卡洛模擬 288
10.4.1 Python 289
10.4.2 NumPy 291
10.4.3 Numba 291
10.4.4 Cython 292
10.4.5 多進程 293
10.5 pandas遞歸算法 294
10.5.1 Python 294
10.5.2 Numba 296
10.5.3 Cython 296
10.6 結語 297
10.7 延伸閱讀 298
第 11章 數學工具 299
11.1 逼近法 299
11.1.1 回歸 301
11.1.2 插值 310
11.2 凸優化 314
11.2.1 全局優化 315
11.2.2 局部優化 317
11.2.3 有約束優化 318
11.3 積分 320
11.3.1 數值積分 321
11.3.2 通過模擬求取積分 322
11.4 符號計算 323
11.4.1 基礎知識 323
11.4.2 方程式 325
11.4.3 積分與微分 325
11.4.4 微分 326
11.5 結語 328
11.6 延伸閱讀 328
第 12章 推斷統計學 331
12.1 隨機數 332
12.2 模擬 338
12.2.1 隨機變量 338
12.2.2 隨機過程 341
12.2.3 方差縮減 356
12.3 估值 359
12.3.1 歐式期權 359
12.3.2 美式期權 364
12.4 風險測度 367
12.4.1 風險價值 367
12.4.2 信用價值調整 371
12.5 Python腳本 374
12.6 結語 377
12.7 延伸閱讀 377
第 13章 統計學 379
13.1 正態性檢驗 380
13.1.1 基準案例 381
13.1.2 真實數據 390
13.2 投資組合優化 396
13.2.1 數據 396
13.2.2 基本理論 398
13.2.3 *優投資組合 401
13.2.4 有效邊界 404
13.2.5 資本市場線 405
13.3 貝葉斯統計 408
13.3.1 貝葉斯公式 409
13.3.2 貝葉斯回歸 410
13.3.3 兩種金融工具 414
13.3.4 隨時更新估算值 418
13.4 機器學習 423
13.4.1 無監督學習 423
13.4.2 有監督學習 426
13.5 結語 441
13.6 延伸閱讀 441
第4部分 算法交易
第 14章 FXCM交易平臺 445
14.1 入門 446
14.2 讀取數據 447
14.2.1 讀取分筆交易數據 447
14.2.2 讀取K線（蠟燭圖）數據 449
14.3 使用API 451
14.3.1 讀取歷史數據 452
14.3.2 讀取流數據 454
14.3.3 下單 455
14.3.4 賬戶信息 457
14.4 結語 457
14.5 延伸閱讀 458
第 15章 交易策略 459
15.1 簡單移動平均數 460
15.1.1 數據導入 460
15.1.2 交易策略 461
15.1.3 向量化事后檢驗 463
15.1.4 優化 465
15.2 隨機游走假設 467
15.3 線性OLS回歸 469
15.3.1 數據 470
15.3.2 回歸 472
15.4 聚類 474
15.5 頻率方法 476
15.6 分類 479
15.6.1 兩個二元特征 479
15.6.2 5個二元特征 480
15.6.3 5個數字化特征 482
15.6.4 順序訓練-測試分離 484
15.6.5 隨機訓練-測試分離 485
15.7 深度神經網絡 486
15.7.1 用scikit-learn實現DNN 486
15.7.2 用TensorFlow實現DNN 489
15.8 結語 492
15.9 延伸閱讀 493
第 16章 自動化交易 495
16.1 資本管理 496
16.1.1 二項設定中的凱利標準 496
16.1.2 用于股票及指數的凱利標準 500
16.2 基于ML的交易策略 505
16.2.1 向量化事后檢驗 505
16.2.2 *優杠桿 510
16.2.3 風險分析 512
16.2.4 持久化模型對象 515
16.3 在線算法 516
16.4 基礎設施與部署 518
16.5 日志與監控 519
16.6 結語 521
16.7 Python腳本 522
16.7.1 自動化交易策略 522
16.7.2 策略監控 525
16.8 延伸閱讀 525
第5部分 衍生品分析
第 17章 估值框架 529
17.1 資產定價基本定理 529
17.1.1 簡單示例 530
17.1.2 一般結果 530
17.2 風險中立折現 532
17.2.1 日期建模與處理 532
17.2.2 恒定短期利率 534
17.3 市場環境 536
17.4 結語 539
17.5 延伸閱讀 540
第 18章 金融模型的模擬 541
18.1 隨機數生成 542
18.2 通用模擬類 544
18.3 幾何布朗運動 548
18.3.1 模擬類 548
18.3.2 用例 550
18.4 跳躍擴散 553
18.4.1 模擬類 553
18.4.2 用例 556
18.5 平方根擴散 557
18.5.1 模擬類 558
18.5.2 用例 560
18.6 結語 561
18.7 延伸閱讀 563
第 19章 衍生品估值 565
19.1 通用估值類 566
19.2 歐式行權 570
19.2.1 估值類 570
19.2.2 用例 572
19.3 美式行權 577
19.3.1 *小二乘蒙特卡洛方法 577
19.3.2 估值類 578
19.3.3 用例 580
19.4 結語 583
19.5 延伸閱讀 585
第 20章 投資組合估值 587
20.1 衍生品頭寸 588
20.1.1 類 588
20.1.2 用例 590
20.2 衍生品投資組合 592
20.2.1 類 592
20.2.2 用例 597
20.3 結語 604
20.4 延伸閱讀 605
第 21章 基于市場的估值 607
21.1 期權數據 608
21.2 模型檢驗 610
21.2.1 相關市場數據 611
21.2.2 期權建模 612
21.2.3 檢驗過程 615
21.3 投資組合估值 620
21.3.1 建立期權頭寸模型 621
21.3.2 期權投資組合 622
21.4 Python代碼 623
21.5 結語 625
21.6 延伸閱讀 626
附錄A 日期與時間 627
A.1 Python 627
A.2 NumPy 633
A.3 pandas 636
附錄B BSM期權類 641
B.1 類定義 641
B.2 類的使用 643
第 1部分 Python與金融
第 1章 為什么將Python用于金融 3
1.1 Python編程語言 3
1.1.1 Python簡史 5
1.1.2 Python生態系統 6
1.1.3 Python用戶譜系 7
1.1.4 科學棧 7
1.2 金融中的科技 8
1.2.1 科技投入 9
1.2.2 作為業務引擎的科技 9
1.2.3 作為進入門檻的科技和人才 10
1.2.4 不斷提高的速度、頻率和數據量 10
1.2.5 實時分析的興起 11
1.3 用于金融的Python 12
1.3.1 金融和Python語法 12
1.3.2 Python的效率和生產率 16
1.3.3 從原型化到生產 20
1.4 數據驅動和人工智能優先的金融學 21
1.4.1 數據驅動金融學 21
1.4.2 人工智能優先金融學 24
1.5 結語 26
1.6 延伸閱讀 27
第 2章 Python基礎架構 29
2.1 作為包管理器使用的conda 31
2.1.1 安裝Miniconda 31
2.1.2 conda基本操作 33
2.2 作為虛擬環境管理器的conda 37
2.3 使用Docker容器 41
2.3.1 Docker鏡像和容器 41
2.3.2 構建Ubuntu和Python Docker鏡像 42
2.4 使用云實例 46
2.4.1 RSA公鑰和私鑰 47
2.4.2 Jupyter Notebook配置文件 48
2.4.3 Python和Jupyter Notebook安裝腳本 49
2.4.4 協調Droplet設置的腳本 51
2.5 結語 52
2.6 延伸閱讀 53
第 2部分 掌握基礎知識
第3章 數據類型與結構 57
3.1 基本數據類型 58
3.1.1 整數 58
3.1.2 浮點數 59
3.1.3 布爾值 61
3.1.4 字符串 65
3.1.5 題外話：打印和字符串替換 66
3.1.6 題外話：正則表達式 69
3.2 基本數據結構 71
3.2.1 元組 71
3.2.2 列表 72
3.2.3 題外話：控制結構 74
3.2.4 題外話：函數式編程 75
3.2.5 字典 76
3.2.6 集合 78
3.3 結語 79
3.4 延伸閱讀 79
第4章 用NumPy進行數值計算 81
4.1 數據數組 82
4.1.1 用Python列表形成數組 82
4.1.2 Python array類 84
4.2 常規NumPy數組 86
4.2.1 基礎知識 86
4.2.2 多維數組 89
4.2.3 元信息 93
4.2.4 改變組成與大小 93
4.2.5 布爾數組 97
4.2.6 速度對比 99
4.3 NumPy結構數組 100
4.4 代碼向量化 102
4.4.1 基本向量化 102
4.4.2 內存布局 105
4.5 結語 107
4.6 延伸閱讀 108
第5章 pandas數據分析 109
5.1 DataFrame類 110
5.1.1 使用DataFrame類的第 一步 110
5.1.2 使用DataFrame類的第二步 114
5.2 基本分析 118
5.3 基本可視化 122
5.4 Series類 124
5.5 GroupBy操作 126
5.6 復雜選擇 128
5.7 聯接、連接和合并 131
5.7.1 聯接 132
5.7.2 連接 133
5.7.3 合并 135
5.8 性能特征 137
5.9 結語 139
5.10 延伸閱讀 140
第6章 面向對象編程 141
6.1 Python對象簡介 145
6.1.1 int 145
6.1.2 list 146
6.1.3 ndarray 146
6.1.4 DataFrame 148
6.2 Python類基礎知識 149
6.3 Python數據模型 154
6.4 Vector類 158
6.5 結語 159
6.6 延伸閱讀 159
第3部分 金融數據科學
第7章 數據可視化 163
7.1 靜態2D繪圖 164
7.1.1 一維數據集 164
7.1.2 二維數據集 170
7.1.3 其他繪圖樣式 177
7.2 靜態3D繪圖 184
7.3 交互式2D繪圖 188
7.3.1 基本圖表 188
7.3.2 金融圖表 192
7.4 結語 196
7.5 延伸閱讀 196
第8章 金融時間序列 197
8.1 金融數據 198
8.1.1 數據導入 198
8.1.2 匯總統計 201
8.1.3 隨時間推移的變化 203
8.1.4 重新采樣 207
8.2 滾動統計 209
8.2.1 概述 209
8.2.2 技術分析示例 211
8.3 相關分析 213
8.3.1 數據 213
8.3.2 對數回報率 214
8.3.3 OLS回歸 216
8.3.4 相關 217
8.4 高頻數據 218
8.5 結語 220
8.6 延伸閱讀 220
第9章 輸入/輸出操作 221
9.1 Python基本I/O 222
9.1.1 將對象寫入磁盤 222
9.1.2 讀取和寫入文本文件 225
9.1.3 使用SQL數據庫 229
9.1.4 讀寫NumPy數組 232
9.2 pandas的I/O 234
9.2.1 使用SQL數據庫 235
9.2.2 從SQL到pandas 237
9.2.3 使用CSV文件 239
9.2.4 使用Excel文件 240
9.3 PyTables的I/O 242
9.3.1 使用表 242
9.3.2 使用壓縮表 250
9.3.3 使用數組 252
9.3.4 內存外計算 253
9.4 TsTables的I/O 256
9.4.1 樣板數據 257
9.4.2 數據存儲 258
9.4.3 數據檢索 259
9.5 結語 261
9.6 延伸閱讀 262
第 10章 高性能的Python 265
10.1 循環 266
10.1.1 Python 266
10.1.2 NumPy 267
10.1.3 Numba 268
10.1.4 Cython 269
10.2 算法 271
10.2.1 質數 271
10.2.2 斐波那契數 275
10.2.3 π 279
10.3 二叉樹 283
10.3.1 Python 283
10.3.2 NumPy 285
10.3.3 Numba 286
10.3.4 Cython 287
10.4 蒙特卡洛模擬 288
10.4.1 Python 289
10.4.2 NumPy 291
10.4.3 Numba 291
10.4.4 Cython 292
10.4.5 多進程 293
10.5 pandas遞歸算法 294
10.5.1 Python 294
10.5.2 Numba 296
10.5.3 Cython 296
10.6 結語 297
10.7 延伸閱讀 298
第 11章 數學工具 299
11.1 逼近法 299
11.1.1 回歸 301
11.1.2 插值 310
11.2 凸優化 314
11.2.1 全局優化 315
11.2.2 局部優化 317
11.2.3 有約束優化 318
11.3 積分 320
11.3.1 數值積分 321
11.3.2 通過模擬求取積分 322
11.4 符號計算 323
11.4.1 基礎知識 323
11.4.2 方程式 325
11.4.3 積分與微分 325
11.4.4 微分 326
11.5 結語 328
11.6 延伸閱讀 328
第 12章 推斷統計學 331
12.1 隨機數 332
12.2 模擬 338
12.2.1 隨機變量 338
12.2.2 隨機過程 341
12.2.3 方差縮減 356
12.3 估值 359
12.3.1 歐式期權 359
12.3.2 美式期權 364
12.4 風險測度 367
12.4.1 風險價值 367
12.4.2 信用價值調整 371
12.5 Python腳本 374
12.6 結語 377
12.7 延伸閱讀 377
第 13章 統計學 379
13.1 正態性檢驗 380
13.1.1 基準案例 381
13.1.2 真實數據 390
13.2 投資組合優化 396
13.2.1 數據 396
13.2.2 基本理論 398
13.2.3 *優投資組合 401
13.2.4 有效邊界 404
13.2.5 資本市場線 405
13.3 貝葉斯統計 408
13.3.1 貝葉斯公式 409
13.3.2 貝葉斯回歸 410
13.3.3 兩種金融工具 414
13.3.4 隨時更新估算值 418
13.4 機器學習 423
13.4.1 無監督學習 423
13.4.2 有監督學習 426
13.5 結語 441
13.6 延伸閱讀 441
第4部分 算法交易
第 14章 FXCM交易平臺 445
14.1 入門 446
14.2 讀取數據 447
14.2.1 讀取分筆交易數據 447
14.2.2 讀取K線（蠟燭圖）數據 449
14.3 使用API 451
14.3.1 讀取歷史數據 452
14.3.2 讀取流數據 454
14.3.3 下單 455
14.3.4 賬戶信息 457
14.4 結語 457
14.5 延伸閱讀 458
第 15章 交易策略 459
15.1 簡單移動平均數 460
15.1.1 數據導入 460
15.1.2 交易策略 461
15.1.3 向量化事后檢驗 463
15.1.4 優化 465
15.2 隨機游走假設 467
15.3 線性OLS回歸 469
15.3.1 數據 470
15.3.2 回歸 472
15.4 聚類 474
15.5 頻率方法 476
15.6 分類 479
15.6.1 兩個二元特征 479
15.6.2 5個二元特征 480
15.6.3 5個數字化特征 482
15.6.4 順序訓練-測試分離 484
15.6.5 隨機訓練-測試分離 485
15.7 深度神經網絡 486
15.7.1 用scikit-learn實現DNN 486
15.7.2 用TensorFlow實現DNN 489
15.8 結語 492
15.9 延伸閱讀 493
第 16章 自動化交易 495
16.1 資本管理 496
16.1.1 二項設定中的凱利標準 496
16.1.2 用于股票及指數的凱利標準 500
16.2 基于ML的交易策略 505
16.2.1 向量化事后檢驗 505
16.2.2 *優杠桿 510
16.2.3 風險分析 512
16.2.4 持久化模型對象 515
16.3 在線算法 516
16.4 基礎設施與部署 518
16.5 日志與監控 519
16.6 結語 521
16.7 Python腳本 522
16.7.1 自動化交易策略 522
16.7.2 策略監控 525
16.8 延伸閱讀 525
第5部分 衍生品分析
第 17章 估值框架 529
17.1 資產定價基本定理 529
17.1.1 簡單示例 530
17.1.2 一般結果 530
17.2 風險中立折現 532
17.2.1 日期建模與處理 532
17.2.2 恒定短期利率 534
17.3 市場環境 536
17.4 結語 539
17.5 延伸閱讀 540
第 18章 金融模型的模擬 541
18.1 隨機數生成 542
18.2 通用模擬類 544
18.3 幾何布朗運動 548
18.3.1 模擬類 548
18.3.2 用例 550
18.4 跳躍擴散 553
18.4.1 模擬類 553
18.4.2 用例 556
18.5 平方根擴散 557
18.5.1 模擬類 558
18.5.2 用例 560
18.6 結語 561
18.7 延伸閱讀 563
第 19章 衍生品估值 565
19.1 通用估值類 566
19.2 歐式行權 570
19.2.1 估值類 570
19.2.2 用例 572
19.3 美式行權 577
19.3.1 *小二乘蒙特卡洛方法 577
19.3.2 估值類 578
19.3.3 用例 580
19.4 結語 583
19.5 延伸閱讀 585
第 20章 投資組合估值 587
20.1 衍生品頭寸 588
20.1.1 類 588
20.1.2 用例 590
20.2 衍生品投資組合 592
20.2.1 類 592
20.2.2 用例 597
20.3 結語 604
20.4 延伸閱讀 605
第 21章 基于市場的估值 607
21.1 期權數據 608
21.2 模型檢驗 610
21.2.1 相關市場數據 611
21.2.2 期權建模 612
21.2.3 檢驗過程 615
21.3 投資組合估值 620
21.3.1 建立期權頭寸模型 621
21.3.2 期權投資組合 622
21.4 Python代碼 623
21.5 結語 625
21.6 延伸閱讀 626
附錄A 日期與時間 627
A.1 Python 627
A.2 NumPy 633
A.3 pandas 636
附錄B BSM期權類 641
B.1 類定義 641
B.2 類的使用 643
展開全部
Python金融大數據分析 作者簡介
Yves Hilpisch博士是Python Quants集團的創始人和管理合伙人。該集團致力于應用開源技術來解決金融數據科學、人工智能、算法交易和計算金融學等問題。他還是AI Machine公司的創始人和CEO。這個公司的主營業務是通過專屬策略執行平臺來發揮人工智能的威力。他還是Python算法交易大學認證的在線培訓項目的主管。
書友推薦
- >
名家帶你讀魯迅:故事新編
- >
推拿
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
苦雨齋序跋文-周作人自編集
- >
姑媽的寶刀
- >
煙與鏡
- >
朝聞道
- >
史學評論
本類暢銷
