Python 機器學習與量化投資
何海群
- 出版商: 電子工業
- 出版日期: 2019-01-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- 頁數: 300
- ISBN: 7121352109
- ISBN-13: 9787121352102
-
相關分類:
投資理財 Investment、Machine Learning
-
相關翻譯:
用科學方法玩金融:Python 智慧量化交易 (繁中版)
已絕版
買這商品的人也買了...
-
$505Python 金融大數據分析 (Python for Finance)
-
$653Python 金融衍生品大數據分析:建模、模擬、校準與對沖 (Derivatives Analytics with Python: Data Analysis, Models, Simulation, Calibration and Hedging)
-
$650$507 -
$690$538 -
$301量化價值投資:人工智能算法驅動的理性投資
-
$550$429 -
$352區塊鏈底層設計 Java 實戰
-
$352量化交易學習指南 基於R語言
-
$500$390 -
$600$540 -
$560$442 -
$520$411 -
$594$564 -
$250利用機器學習開發算法交易系統
-
$505機器學習即服務:將 Python 機器學習創意快速轉變為雲端 Web 應用程序 (Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud)
-
$534$507 -
$505Python 量化交易:策略、技巧與實戰
-
$301算法交易員 會賺錢的人工智能
-
$354$336 -
$594$564 -
$750$638 -
$580$458 -
$599$569 -
$380$300 -
$650$585
相關主題
商品描述
本書採用生動活潑的語言,從入門者的角度,講解了Python 語言和sklearn 模塊庫內置的各種經典機器學習算法;
介紹了股市外匯、比特幣等實盤交易數據在金融量化方面的具體分析與應用,包括對未來股票價格的預測、大盤指數趨勢分析等。
簡單風趣的實際案例讓廣大讀者能夠快速掌握機器學習在量化分析方面的編程,為進一步學習金融科技奠定紮實的基礎。
作者簡介
何海群
網名:字王,CHRD前海智庫CTO,《中華大字庫》發明人,20年人工智能從業經驗;zwPython開發平台、TopQuant.vip極寬量化系統設計師,中國“Python創客”項目發起人,國內Python量化項目的啟蒙者和開拓者:《Python量化實盤·魔鬼訓練營》,TOP極寬量化開源團隊的創始人。
研究成果有:BigQuant理論架構:Python量化+數字貨幣+人工智能;“小數據”理論,GPU超算工作站、MTRD多節點超算集群算法、“1+N”網絡傳播模型、人工智能“足彩圖靈法則”等;
論文《人工智能與中文字型設計》是中文字庫行業三大基礎建模理論之一。
目錄大綱
目錄
第1章Python與機器學習...... 1
1.1 scikit-learn模塊庫........ 2
1.1.1 scikit-learn的缺點. 3
1.1.2 scikit-learn算法模塊.. ....... 4
1.1.3 scikit-learn六大功能......... 5
1.2開發環境搭建...... 8
1.2.1 AI領域的標準編程語言:Python 8
1.2.2 zwPython:難度降低90%,性能提高10倍.. 9
1.2.3 “零對象”編程模式........ 11
1.2.4開發平台搭建...... 12
1.2. 5程序目錄結構...... 12
案例1-1:重點模塊版本測試.... 13
1.3機器學習:從忘卻開始....... 17
1.4學習路線圖...... .. 20
第2章機器學習編程入門..... 21
2.1經典機器學習算法..... 21
2.2經典愛麗絲........ 22
案例2-1:經典愛麗絲.. .. 24
案例2-2:愛麗絲進化與文本矢量化.. 26
2.3機器學習算法流程..... 28
2.4機器學習數據集......... 28
案例2-3:愛麗絲分解.... 29
2.5數據切割函數.... 33
2.6線性回歸算法.... 34
案例2-4:愛麗絲回歸.... 35
第3章金融數據的預處理..... 40
3.1至簡歸一法........ 40
案例3-1:麻煩的外匯數據........ 41
案例3-2:尷尬的日元.... 45
案例3-3:兇殘的比特幣49
3.2股票池與Rebase......... 51
3.2.1股票池........ 51
3.2.2 Rebase與歸一化.. 52
案例3-4:股票池Rebase歸一化........ 53
3.3金融數據切割.... 57
案例3-5:當上證遇到機器學習58
3.4 preprocessing模塊..... 63
案例3-6:比特幣與標準化........ 65
案例3-7:比特幣與歸一化........ 69
第4章機器學習快速入門..... 72
4.1回歸算法. 72
4.2 LR線性回歸模型....... 73
案例4-1:上證指數之LR回歸事件... 76
4.3常用評測指標.... 81
4.4多項式回歸........ 83
案例4- 2:上證指數的多項式故事...... 83
案例4-3:預測比特幣價格........ 86
4.5邏輯回歸算法模型..... 87
案例4-4:上證指數預測邏輯回歸版.. 88
第5章模型驗證優化..... 96
5.1交叉驗證評估器........ . 96
案例5-1:交叉驗證........ 98
5.2交叉驗證評分.. 101
案例5-2:交叉驗證評分101
第6章決策樹.... 103
6.1決策樹算法.. .... 103
6.1.1 ID3算法與C4.5算法... 105
6.1.2常用決策樹算法106
6.1.3 sklearn內置決策樹算法107
6.2決策樹回歸函數....... 109
案例6-1:決策樹回歸算法...... 110
6.3決策樹分類函數....... 115
案例6-2:決策樹分類算法...... 116
6.4 GBDT算法... ... 121
6.5迭代決策樹函數....... 122
案例6-3:GBDT回歸算法...... 123
案例6-4:GBDT分類算法...... 128
第7章隨機森林算法和極端隨機樹算法133
7.1隨機森林函數.. 135
7.2決策樹測試框架....... 137
案例7-1:RF回歸算法大測試138
7.3決策樹測試函數..... .. 140
案例7-2:上證的RF回歸頻道......... 142
案例7-3:當比特幣碰到RF回歸算法......... 146
案例7-4:上證和RF分類算法......... 147
7.4極端隨機樹算法....... 150
7.5極端隨機樹函數....... 151
案例7-5:極端隨機樹回歸算法. ....... 152
案例7-6:上證指數案例應用.. 154
案例7-7:ET、比特幣,誰更極端... 155
第8章機器學習算法模式... 159
8.1學習模式. 161
8.2機器學習五大流派... 164
8.3經典機器學習算法... 165
8.4小結........ 166
第9章概率編程167
9.1樸素貝葉斯的上證之旅... .. 168
案例9-1:上證樸素貝葉斯算法........ 170
9.2隱馬爾可夫模型....... 175
案例9-2:HMM模型與模型保存... .. 176
案例9-3:HMM算法與模型讀取..... 180
第10章實例算法......... 185
K最近鄰算法186
案例10-1:第一次驚喜— —KNN算法......... 187
案例10-2:KNN分類.. 190
第11章正則化算法..... 192
11.1嶺回歸算法.... 193
案例11-1:新高度——嶺回歸算法... 195
11.2套索回歸算法197
案例11-2:套索回歸算法應用199
11.3彈性網絡算法201
案例11- 3:彈性網絡算法應用202
11.4最小角回歸算法..... 204
案例11-4:LARS算法應用..... 204
第12章聚類分析......... 206
12.1 K均值算法.... 207
案例12-1:K均值算法應用.... 208
12.2 BIRCH算法... 210
案例12-2:BIRCH算法應用... 211
12.3小結...... 213
第13章降維算法......... 215
13.1主成分分析.... 216
案例13-1:主成分分析的應用218
案例13-2:PCA算法的上證戲法..... 223
13.2奇異值分解算法..... 227
案例13-3:奇異果傳說:SVD 228
第14章集成算法......... 229
14.1 sklearn內置集成算法....... 231
14.2裝袋算法......... 232
案例14-1:裝袋回歸算法........ 232
案例14-2:裝袋分類算法........ 234
14.3 AdaBoost迭代算法. 236
案例14-3:AdaBoost迭代回歸算法. 237
案例14-4:AdaBoost迭代分類算法. 239
第15章支持向量機..... 242
15.1支持向量機算法..... 242
15.2 SVM函數接口........ 244
案例15-1:SVM回歸算法...... 245
案例15-2:SVM分類算法...... 247
第16章人工神經網絡算法. 250
16.1多層感知器.... 252
案例16-1:多層感知器回歸算法...... 253
案例16-2:多層感知器分類算法...... 256
附錄A sklearn常用模塊和函數..... 259
附錄B量化分析常用指標.... 284
序言