Python金融量化分析
肖建軍、高拴平
買這商品的人也買了...
-
$653Oracle 高性能係統架構實戰大全 -
SQL 必知必會, 5/e (Sams Teach Yourself SQL in 10 Minutes a Day, 5/e)$294$279 -
$356Excel儀表盤實戰 -
UiPath RPA 開發：入門、實戰與進階$774$735 -
$407跟李銳學Excel數據分析 -
$180ITIL 4 與 DevOps 服務管理認證指南, 2/e -
$403PyTorch 開發入門：深度學習模型的構建與程序實現 -
$458PyTorch 深度學習簡明實戰 -
無痛上手量化合約程式交易：Python × Pandas × TA-Lib從零打造專屬量化合約機器人$660$436 -
從基礎應用到企業開發 - Spring Boot 從實戰中快速上手$1,080$853 -
ChatGPT 開發手冊 - 用 OpenAI API ‧ LangChain ‧ Embeddings 設計 Plugin、LINE/Discord bot、股票分析與客服自動化助理$750$593 -
基於大數據的經濟形勢監測預測理論與方法$1,014$963 -
利用 FastAPI 構建 Python 微服務$774$735 -
PostgreSQL 數據庫實戰派$708$673 -
$403Stata統計分析從入門到精通 -
零基礎學 Python GUI 設計：PyQt (升級版)$594$564 -
Python服務端測試開發實戰$539$512 -
極速Python：高性能編碼、計算與數據分析$479$455 -
區塊鏈智能合約開發實戰$354$336 -
AI 時代 Math 元年 - 用 Python 全精通統計及機率$1,200$948 -
Eviews 實戰與數據分析$708$673 -
遞迴演算法大師親授面試心法：Python 與 JavaScript 解題全攻略 (The Recursive Book of Recursion)$680$530 -
Python 金融數據分析$1,074$1,020 -
集成學習實戰$768$730 -
GPT 賺被動收入 - AI 時代的量化交易攻略$780$616
相關主題
商品描述
金融量化分析不僅需要掌握金融領域的知識，還需要掌握相關的電腦編程技術。《Python金融量化分析》全面、系統地介紹金融量化分析所需要掌握的技能。無論是具有豐富的編程經驗的讀者，還是普通的投資愛好者，均可參照本書內容開發自己的量化交易策略回測代碼，實現金融量化分析輔助投資的目的。 《Python金融量化分析》共9章，涵蓋的主要內容有金融量化交易策略分析概述，Python的基礎語法，Pandas模塊基礎，NumPy基礎，數據獲取與清洗，金融量化交易策略實戰，TA-Lib、Empyrical與Mplfinance模塊的使用方法，金融數據回歸分析，ARIMA與VAR模型在金融量化領域的應用，開源金融量化交易策略回測框架Backtrader的使用方法等。掌握這些內容，可以解決金融量化分析涉及的編程語言基礎、數據獲取、量化交易策略構建、統計學與金融學理論在金融量化領域的高級應用，以及現有的量化回測框架的使用方法等實際問題。 《Python金融量化分析》內容豐富，體系完整，講解細致入微，既適合Python金融量化分析入門人員閱讀，也適合有志從事量化投資工作的各類研究人員和從業人員閱讀與參考，還適合作為高等院校金融和投資類相關專業的教材。
目錄大綱
（京東、當當目錄請直接傳目錄jpg圖）
目錄
第1章 金融量化交易策略分析概述 1
1.1 金融量化分析簡介 1
1.1.1 金融量化分析的應用範疇 1
1.1.2 金融量化分析的基本流程 2
1.1.3 金融量化分析的方法與工具 2
1.1.4 金融量化分析的優勢 3
1.2 金融量化分析的困局 3
1.2.1 金融量化分析策略的同質化 4
1.2.2 量化分析工具的局限性 4
1.2.3 量化分析結果的隨機性 5
1.3 金融量化分析註意事項 5
1.4 本章小結 6
1.5 思考題 6
第2章 金融量化分析工具的準備——基礎語法 7
2.1 Python簡介 7
2.1.1 Python數據處理的優勢 7
2.1.2 Python的基本語法 8
2.2 Python變量 9
2.2.1 變量的命名規則 9
2.2.2 數值型變量 10
2.2.3 布爾類型變量 10
2.2.4 字符串類型變量 11
2.2.5 列表類型變量 14
2.2.6 元組類型變量 16
2.2.7 集合類型變量 17
2.2.8 字典類型變量 18
2.3 流程控制 19
2.3.1 邏輯判斷 20
2.3.2 if判斷 20
2.3.3 循環語句 21
2.4 函數 23
2.4.1 函數的定義與調用 23
2.4.2 函數的參數 24
2.4.3 lambda匿名函數 26
2.4.4 Python高階函數 27
2.5 類與對象 31
2.5.1 創建類與實例對象 31
2.5.2 面向對象的封裝 35
2.5.3 面向對象的繼承 37
2.5.4 面向對象的多態 38
2.6 模塊應用 39
2.6.1 模塊的安裝、卸載與調用 39
2.6.2 Python內置模塊示例1：datetime模塊 41
2.6.3 Python內置模塊示例2：os模塊 44
2.7 本章小結 45
2.8 思考題 45
第3章 金融量化分析工具的準備——Pandas基礎 46
3.1 Pandas簡介 46
3.1.1 Pandas的主要優勢 46
3.1.2 Pandas的主要功能 47
3.1.3 Pandas的底層結構 47
3.2 Series對象 48
3.2.1 創建Series對象 48
3.2.2 訪問Series對象數據 50
3.2.3 Series對象的常用屬性 50
3.2.4 Series對象的常用函數 51
3.3 DataFrame對象 55
3.3.1 DataFrame對象的數據存儲結構 55
3.3.2 創建DataFrame對象 56
3.3.3 DataFrame對象的常用屬性 59
3.3.4 DataFrame的列操作方法 60
3.4 Pandas金融量化分析應用 66
3.4.1 統計計算 67
3.4.2 累計計算 67
3.4.3 獲取CSV文件數據 68
3.4.4 獲取SQLite數據庫中的數據 70
3.5 Pandas數據可視化 72
3.5.1 折線圖 72
3.5.2 直方圖 77
3.6 本章小結 79
3.7 思考題 79
第4章 金融量化分析工具的準備——NumPy基礎 80
4.1 NumPy簡介 80
4.1.1 NumPy的主要優勢 80
4.1.2 NumPy的主要功能 81
4.1.3 ndarray的底層結構 81
4.2 ndarray對象的創建 82
4.2.1 創建ndarray對象的方法 82
4.2.2 創建特殊的ndarray對象 83
4.3 ndarray數組數據的訪問 84
4.3.1 索引 84
4.3.2 切片 86
4.4 NumPy數組操作 88
4.4.1 修改ndarray數組形狀 88
4.4.2 合並ndarray數組 91
4.4.3 分割ndarray數組 92
4.4.4 刪除ndarray數組數據 93
4.4.5 添加數組數據 94
4.5 NumPy模塊的主要函數 95
4.5.1 統計類函數 95
4.5.2 線性代數類函數 97
4.5.3 排序與篩選類函數 98
4.6 NumPy隨機數處理 102
4.6.1 NumPy處理隨機數問題的優勢 102
4.6.2 生成隨機數 102
4.6.3 隨機抽樣 104
4.6.4 隨機模擬實驗 105
4.7 本章小結 107
4.8 思考題 107
第5章 金融量化分析數據的準備 108
5.1 數據獲取 108
5.1.1 從Tushare平臺上獲取數據 108
5.1.2 從AkShare模塊中獲取數據 110
5.1.3 從qstock模塊中獲取數據 112
5.1.4 從Alpha Vantage API中獲取數據 118
5.2 數據清洗 124
5.2.1 數據清洗的內容 124
5.2.2 數據清洗示例 125
5.2.3 數據清洗進階——JSON數據清洗 128
5.3 數據存儲 131
5.3.1 用CSV文件存儲數據 131
5.3.2 用SQLite數據庫存儲數據 132
5.4 本章小結 138
5.5 思考題 138
第6章 金融量化交易策略開發實戰 139
6.1 趨勢追蹤交易策略 139
6.1.1 趨勢追蹤交易策略介紹 139
6.1.2 趨勢追蹤交易策略實戰代碼 140
6.1.3 趨勢追蹤交易策略實戰代碼詳解 142
6.2 頂底背離交易策略實戰 146
6.2.1 頂底背離交易策略介紹 146
6.2.2 頂底背離交易策略實戰代碼 147
6.2.3 頂底背離交易策略實戰代碼詳解 148
6.3 小市值交易策略實戰 149
6.3.1 小市值交易策略介紹 149
6.3.2 小市值交易策略實戰代碼 150
6.3.3 小市值交易策略實戰代碼詳解 152
6.4 海龜交易策略實戰 153
6.4.1 海龜交易策略介紹 153
6.4.2 海龜交易策略實戰代碼 153
6.4.3 海龜交易策略實戰代碼詳解 156
6.5 網格交易策略實戰 159
6.5.1 網格交易策略介紹 159
6.5.2 網格交易策略實戰代碼 160
6.5.3 網格交易策略實戰代碼詳解 164
6.6 本章小結 167
6.7 思考題 167
第7章 金融量化分析常用的工具模塊 168
7.1 TA-Lib模塊 168
7.1.1 TA-Lib模塊的安裝 168
7.1.2 TA-Lib模塊的函數類別 170
7.1.3 TA-Lib模塊的常用函數 174
7.2 Empyrical模塊 176
7.2.1 Empyrical模塊的優點 177
7.2.2 Empyrical模塊的用途 177
7.2.3 Empyrical模塊的常用函數 177
7.3 Mplfinance模塊 184
7.3.1 Mplfinance模塊的優點 184
7.3.2 Mplfinance模塊的主要函數 185
7.3.3 通過Mplfinance模塊繪制K線圖 189
7.4 本章小結 199
7.5 思考題 199
第8章 金融量化分析高級應用 200
8.1 金融數據回歸分析 200
8.1.1 回歸分析的基本原理 200
8.1.2 回歸分析的步驟 201
8.1.3 構建回歸模型示例 201
8.2 金融數據時間序列ARIMA模型回歸分析 203
8.2.1 時間序列分析模型介紹 203
8.2.2 ARIMA模型的計算公式 204
8.2.3 構建ARIMA模型示例 205
8.3 金融數據時間序列VAR模型回歸分析 215
8.3.1 VAR模型介紹 215
8.3.2 構建VAR模型示例 216
8.4 金融資產組合優化量化分析 223
8.4.1 馬科維茨模型 223
8.4.2 利用cvxpy模塊求解馬科維茨模型 224
8.4.3 金融資產組合優化問題解決方案（通用） 226
8.5 本章小結 227
8.6 思考題 228
第9章 金融量化回測框架Backtrader實戰應用 229
9.1 Backtrader框架簡介 229
9.1.1 Backtrader框架的優勢與特點 229
9.1.2 Backtrader回測框架的工作流程 230
9.2 Backtrader框架的數據準備 230
9.2.1 數據準備註意事項 230
9.2.2 數據讀取函數 231
9.2.3 使用GenericCSVData函數讀取數據 231
9.2.4 使用PandasData函數讀取數據 235
9.2.5 同時加載多組數據 236
9.2.6 讀取非OHLC數據 238
9.2.7 使用resampledata函數進行數據重新採樣 241
9.3 Backtrader框架的指標 242
9.3.1 定義指標的核心要素 242
9.3.2 定義指標的步驟 243
9.3.3 定義指標示例 245
9.4 Backtrader框架的數據引用 249
9.4.1 加載數據的基礎引用 249
9.4.2 加載數據的切片引用 250
9.4.3 指標值的引用 250
9.4.4 數據引用綜合案例 251
9.5 Backtrader框架的自定義策略類 255
9.5.1 自定義策略類的核心問題 255
9.5.2 Backtrader策略類的內部生命周期函數 255
9.5.3 Backtrader策略類實例講解 256
9.6 Backtrader框架的觀察器應用 263
9.6.1 觀察器的核心用途 263
9.6.2 默認加載觀察器 263
9.6.3 加載內置的觀察器 264
9.6.4 加載自定義觀察器 266
9.7 Backtrader框架的分析器應用 268
9.7.1 分析器與觀察器的關系 268
9.7.2 分析器之交易記錄——Transactions類 268
9.7.3 分析器之交易記錄——TradeAnalyzer類 271
9.8 本章小結 272
9.9 思考題 272
Python金融量化分析
目錄
·X·
·IX·
