Python 金融量化分析

張奎//馬萌

Python 金融量化分析
  • 出版商: 機械工業
  • 出版日期: 2022-11-10
  • 售價: $534
  • 貴賓價: 9.5 折 $507
  • 語言: 簡體中文
  • 頁數: 277
  • 裝訂: 平裝
  • ISBN: 7111716558
  • ISBN-13: 9787111716556
  • 相關分類: Python、程式語言

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

《Python金融量化分析》是有關Python在金融量化分析領域應用的一本從入門到精通類圖書。
全書分4篇共10章。
第1篇(第1~3章)簡單介紹了Python的基礎知識，包括數據類型、
循環體、函數、類與面向對象，以及常用的標準庫與擴展庫；
第2篇(第4~6章)介紹了Python在金融量化交易中的應用，
包括資產類別、衍生品等金融基礎知識，數學與統計學基礎知識，以及量化投資策略開發的一般化流程；
第3篇(第7、8章)介紹了Python在量化風險管理中的應用，
包括風險類別的介紹、市場因子的模擬，以及投資組合優化；
第4篇(第9、10章)用5個實戰案例具體演示了Python在金融量化分析中的應用。
《Python金融量化分析》適合具備一定數學、金融、計算機基礎及編程經驗的專業技術人員閱讀學習，
也適合相關專業高年級本科生、研究生學習參考。

目錄大綱

前言
第1篇 Python相關知識
第1章 Python基礎知識/
1.1 數據類型/
1.1.1 字符串/
1.1.2 列表/
1.1.3 元組/
1.1.4 字典/
1.2 運算符/
1.2.1 算術運算符/
1.2.2 比較運算符/
1.2.3 賦值運算符/
1.2.4 位運算符/
1.3 條件語句/
1.4 循環語句及嵌套/
1.4.1 while循環/
1.4.2 for循環/
1.4.3 嵌套、break與continue/
1.5 函數/
1.5.1 參數傳遞/
1.5.2 不定長參數/
1.5.3 返回值/
第2章 類與面向對象/
2.1 類的基本概念/
2.2 類的屬性/
2.2.1 類屬性/
2.2.2 實例屬性/
2.3 類的方法/
2.3.1 實例方法/
2.3.2 類方法/
2.3.3 靜態方法/
2.4 類的繼承/
2.5 運算符重載/
2.6 私有與保護類型/
2.7 直接賦值、淺複製和深度複製/
第3章 模塊、包與庫/
3.1 模塊的基本概念/
3.1.1 模塊的__dict__屬性/
3.1.2 導入模塊的幾種方法/
3.1.3 if __name__==__main__/
3.2 常用的標準庫模塊/
3.2.1 sys/
3.2.2 os/
3.2.3 glob/
3.2.4 datetime/
3.2.5 math/
3.2.6 thread/
3.2.7 urllib/
3.3 擴展程序庫numPy/
3.3.1 numPy.ndarrays/
3.3.2 numPy數組的基本運算/
3.3.3 矩陣運算與隨機數生成/
3.4 擴展程序庫pandas/
3.4.1 Series與DataFrame/
3.4.2 apply/
3.4.3 merge和append/
3.4.4 groupby/
3.4.5 read_csv和to_csv/
3.5 擴展程序庫matplotlib/
3.5.1 figure與add_subplot/
3.5.2 matplotlib.pyplot.axes/
第2篇 Python在量化交易中的運用
第4章 金融基礎知識/
4.1 金融資產類別/
4.1.1 固定收益/
4.1.2 外匯/
4.1.3 權益/
4.1.4 商品/
4.1.5 信用/
4.2 金融衍生品/
4.2.1 遠期與期貨合約/
4.2.2 期權/
4.2.3 互換/
4.2.4 其他衍生品/
4.3 場內交易與場外交易/
4.4 實例：用Python求歐式期權的隱含波動率/
第5章 數學與統計學基礎知識/
5.1 統計學中常見的概率分佈/
5.1.1 離散型概率分佈/
5.1.2 連續型概率分佈/
5.2 貝葉斯公式/
5.3 蒙特卡洛模擬與中心極限定理/
5.4 隨機過程與時間序列/
5.5 幾種經典隨機過程模型/
5.5.1 分式布朗運動/
5.5.2 馬爾可夫過程/
5.6 常見的統計學習方法/
5.6.1 線性回歸與邏輯回歸/
5.6.2 決策樹與隨機森林/
5.6.3 K-均值算法/
5.6.4 神經網絡與深度學習/
5.7 數值計算方法/
5.7.1 牛頓法/
5.7.2 梯度下降法/
5.7.3 有限差分法/
5.8 實例：用深度學習處理分類問題/
第6章 量化交易與投資策略開發/
6.1 量化交易的市場現狀/
6.2 P-Quant與Q-Quant/
6.3 量化投資策略的類別/
6.4 策略開發的一些思路/
6.5 數據的收集整理與修正/
6.5.1 日期的格式/
6.5.2 文件傳輸格式/
6.5.3 數據質量問題的處理/
6.6 程序和模型的測試與分析/
6.6.1 單元測試/
6.6.2 異常處理/
6.6.3 模型測試/
6.7 回測、模擬盤與實盤分析/
6.8 實例：Python爬蟲獲取公司財務數據/
第3篇 Python在量化風險管理中的應用
第7章 量化風險管理的基礎知識/
7.1 什麼是量化風險管理/
7.2 市場風險/
7.2.1 風險價值（VaR）/
7.2.2 預期虧損（ES）/
7.2.3 歷史模擬與蒙特卡洛/
7.3 信用風險/
7.3.1 額外的時間維度/
7.3.2 潛在未來敞口（PFE）/
7.3.3 正向敞口期望（EPE）/
7.3.4 違約概率（PD）/
7.4 操作風險/
7.4.1 帕累托分佈/
7.4.2 不平衡樣本/
7.5 投資組合的風險度量/
7.5.1 波動率/
7.5.2 大回撤/
7.6 實例：大回撤的O(n)複雜度的算法/
第8章 市場因子模型與組合優化/
8.1 資本資產定價模型/
8.1.1 股票指數與個股/
8.1.2 特異波動率/
8.2 市場因子的相關矩陣/
8.2.1 Cholesky分解/
8.2.2 模擬指數與個股的走勢/
8.3 市場因子的主成分分析/
8.3.1 期貨合約的相關性/
8.3.2 主成分分析的數學原理/
8.3.3 用Python做主成分分析/
8.3.4 用主成分做模擬/
8.4 正態分佈與肥尾分佈/
8.4.1 股票回報率的肥尾現象/
8.4.2 正態分佈的肥尾修正/
8.5 投資組合優化/
8.5.1 Markowitz均值-方差模型/
8.5.2 數值方法優化投資比例/
8.5.3 無風險收益率非零情況下的優化/
8.6 實例：用蒙特卡洛模擬做優化/

類似商品