買這商品的人也買了...
-
認識 Fuzzy 理論與應用, 4/e$370$333 -
數據挖掘：實用機器學習工具與技術 (Data Mining : Practical Machine Learning Tools and Techniques, 4/e)$594$564 -
統計學習理論基礎$258$245 -
人工智能算法 捲1 基礎算法$354$336 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
人工智能算法 捲2 受大自然啟發的算法$414$393 -
$403速通機器學習 -
$611金融中的機器學習 -
Python 金融實戰案例精粹, 2/e$779$740 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
精通機器學習算法$1,014$963 -
$352Python大數據分析Big Data Analysis with Python -
Python 強化學習：演算法、核心技術與產業應用$774$735 -
強化學習演算法入門$419$398 -
$254數據挖掘技術（微課視頻版） -
$254統計計算 -
$704蒙特卡羅方法與人工智能 -
深度學習的理論基礎與核心算法$594$564 -
財經計量方法與模型：原理與R範例 (適用: 大專學生．實務界)$600$570 -
R語言數據分析從入門到精通$539$512 -
$1,015資料分析與預測演算法：基於 R語言 -
算法設計與實踐$359$341 -
深度學習與大模型基礎（簡體書）$534$507 -
最優化理論與智能算法$354$336 -
機器學習入門 ─ Weka$300$270
相關主題
商品描述
本書是一全面而深入的量化金融實戰指南，從基礎的Python編程和量化金融概念出發，
逐步 讀者進入金融數據分析、量化策略開發、演算法交易及風險管理的 主題。
本書也探討了生成式AI和ChatGPT在量化金融領域的應用，為讀者提供了一個全面的視角和實用的工具。
本共分為5章：
第1章作為基礎，介紹了量化金融、演算法交易和Python程式設計的基礎知識；
第2章註於金融資料的取得與處理，括如何使用APIs和Python庫；
第3章深入說明了量化策略與模型，涵蓋了從統計學到機器學再到深度學和Transformer模型及ChatGPT件使用的多個面向；
第4章是演算法交易與風險管理的全面解析，括市場微觀結構、交易策略與ChatGPT的Code Interpreter功能；
第5章對量化金融和演算法交易的未來進行了展望，括人工智慧在金融領域中的機會和挑戰。
本書內容深入淺出，實例豐富，實用性 強，別適合量化金融的初和業人士，也適用於金融分析師、數據和程式設計愛好者。
此外，本書也可作為金融科技和量化金融相關培訓課程的教材。
目錄大綱
第1章 基礎知識與量化金融概述001
1.1 引言：量化金融與演算法交易簡介001
1.1.1 量化金融及其發展002
1.1.2 當代量化金融004
1.1.3 演算法交易概述005
1.1.4 高頻交易概述007
1.1.5 演算法交易與高頻交易的差異008
1.2 Python程式設計基礎008
1.2.1 Python的點009
1.2.2 Python在量化金融和演算法交易的應用初覽009
1.2.3 Anaconda的安裝010
1.2.4 Python程式碼範例012
1.3 ChatGPT簡介及原理013
1.3.1 ChatGPT簡介013
1.3.2 ChatGPT原理014
1.4 生成式AI在量化金融領域的應用015
第2章 金融資料處理與分析017
2.1 資料來源：金融資料APIs及其供應商017
2.1.1 資料來源的複雜度018
2.1.2 為什麼要API018
2.1.3 數據供應商的比較019
2.2 使用ChatGPT金融APIs021
2.2.1 報錯分析023
2.2.2 使用第三方函式庫：yfinance026
2.2.3 使用第三方函式庫：yahoofinancials027
2.2.4 其他第三方庫029
2.3 資料處理：使用Python分析金融資料029
2.3.1 重新採樣033
2.3.2 滾動統計034
2.4 資料視覺化：使用Matplotlib等工具038
2.5 實例：財務報表指標取得及分析042
2.5.1 取得斯拉的年度財務數據044
2.5.2 計算所需的財務指標047
2.5.3 此財務指標（淨利率）可視化047
2.5.4 此財務指標（淨利率）的趨勢分析048
第3章 量化策略與模型053
3.1 統計與金融：常見統計模型與方法053
3.1.1 描述性統計054
3.1.2 機率分佈058
3.1.3 假設檢定062
3.1.4 時間序列分析065
3.2 技術分析：指標與策略068
3.2.1 圖表模式068
3.2.2 趨勢線073
3.2.3 技術指標075
3.2.4 交易策略與回測083
3.3 基本面分析：選股策略與價值投資086
3.4 賣方策略：衍生性商品定與風險管理092
3.4.1 衍生性商品概論093
3.4.2 衍生性商品定095
3.4.3 Black-Scholes模型096
3.4.4 Put-Call Parity的基本選擇理論099
3.4.5 風險管理－Greeks100
3.5 機器學與金融：迴歸模型、分類器等106
3.5.1 機器學概述106
3.5.2 迴歸模型107
3.5.3 分類器113
3.5.4 機器學在金融領域的挑戰117
3.6 深度學與金融：經網絡、LSTM、CNN等118
3.6.1 經網絡118
3.6.2 長短期記憶網124
3.6.3 捲積經網128
3.6.4 深度學在金融領域的挑戰132
3.7 自然語言處理：利用Transformer結構分析市場情緒134
3.8 實例 作：使用ChatGPT的金融相關件144
3.8.1 ChatGPT件及安裝144
3.8.2 PortfolioPilot件147
第4章 演算法交易與風險管理151
4.1 市場微觀結構理解與應用152
4.1.1 訂單簿的基本結構與功能152
4.1.2 訂單類型與執行機制154
4.1.3 市場片段化問題的理解與因應160
4.1.4 交易延遲與市場深度的影響161
4.1.5 臨時與 的滑點162
4.1.6 訂單失衡163
4.2 交易策略開發：交易訊號、執行與管理166
4.2.1 基於連續時間馬爾科夫鏈的交易策略166
4.2.2 市訂單的建模與應用170
4.2.3 交易訊號的產生與驗證174
4.2.4 交易管理：訂單追蹤與調整174
4.3 訂單執行：買方策略、賣方策略與做市策略175
4.3.1 買方策略的設計與實施（只有臨時滑點）176
4.3.2 賣方策略的設計與實施（臨時與 滑點）179
4.3.3 做市策略的設計與實施183
4.4 風險管理：風險衡量、預測與控制186
4.4.1 風險度量186
4.4.2 風險預測189
4.4.3 風險控制191
4.5 資金管理：投資組合化與資產配置192
4.5.1 投資組合化的理論與方法192
4.5.2 基於Transformer模型的資產配置的策略與實施196
4.5.3 使用GPT-4的代碼解釋器來解釋做市策略203
第5章 未來展望與挑戰209
5.1 探索多元化的大語言模式平台209
5.1.1 科大訊飛－訊飛星火認知大模式210
5.1.2 百度－文心一言大模型 214
5.1.3 智譜AI－智譜清言ChatGLM大模型220
5.1.4 百川智能－百川大模型225
5.2 量化金融與演算法交易的發展趨勢230
5.2.1 量化金融與演算法交易的新趨勢230
5.2.2 智慧化金融服務的崛起232
5.3 機會與挑戰：人工智慧在金融領域的雙面刃效應233
5.3.1 科技驅動下的金融機會233
5.3.2 在監理環境中應對挑戰233
5.4 前瞻：人工智慧與金融領域的未來合作235
5.4.1 潛在的成長領域與創新點236
5.4.2 面向未來的策略與合作路徑237
