MXNet神經網絡與量化投資（簡體書）

MXNet是亞馬遜（Amazon）的深度學習庫，以簡單、高效、容易使用而著稱。它擁有類似於Theano和TensorFlow的數據流圖，為多GPU裝置提供了良好的配置。本書以MXNet作為研究實踐平臺，實現量化投資交易。書中主要介紹了在MXNet環境下，利用深度學習常用算法，實現線性、MLP、CNN卷積、GoogLeNet、ResNet深度殘差、RNN循環神經網絡、DenseNet稠密神經網絡等多種模型在量化投資和股價預測方面的應用，同時採用NLP語義分析技術，対股票價格走勢進行統計分析，以及金融數據的可視化分析，得到更直觀的模型分析效果，通過先進的人工智能模型，在量化投資領域中取得較高收益。

前言

人工智能的迅速發展將深刻改變人類的社會生活，也將改變世界。為搶抓人工智能發展的重大戰略機遇，構築我國人工智能發展的優勢，加快建設創新型國家和世界科技強國，2017年7月8日，國務院發佈了《新一代人工智能發展規劃》通知。不少人躍躍欲試，想投入AI的懷抱，但苦於不知如何下手。先從人工智能說起，人工智能的核心是機器學習，其應用遍及人工智能的各個領域。金融是百業之王，量化交易利用數學模型，借助計算機技術，從海量的歷史數據中發現能帶來超額收益的多種“大概率”事件以制定策略，實現穩定收益，借助人工智能的先進算法，實現人工智能在量化交易領域的應用。
我們知道主觀交易與量化交易都是依據市場邏輯進行交易的一套體系。主觀交易的邏輯依據複雜繁多，如國際政治環境、個股新聞等，而量化交易更多的是對數據進行分析，“無數據不量化”，說明數據對於量化交易分析的重要性。由於交易數據量較大，需要大量的計算，因此採用專業的平臺進行分析有利於高效、快速地實現量化交易策略。MXNet是亞馬遜（Amazon）的深度學習庫，以簡單高效、容易使用著稱。
MXNet擁有類似於Theano和TensorFlow的數據流圖，為多GPU裝置提供了良好的配置。本書以MXNet作為研究實踐平臺，實現量化交易，主要介紹了在MXNet環境下，利用深度學習常用算法，實現線性、MLP、CNN卷積、GoogLeNet、ResNet深度殘差、RNN循環神經網絡、DenseNet稠密神經網絡等多種模型在量化和股價預測方面的應用，同時採用文本數據挖掘技術實現對某一時間段一部分人對股票價格未來走勢的判斷的統計分析，以及對金融數據可視化的分析，以得到更直觀的模型分析效果。通過學習，可以迅速掌握常見的經典策略，掌握人工智能常用的算法，快速提高編寫量化策略的能力，為實現財富自由打下基礎。
感謝電子工業出版社的黃愛萍編輯在選題策劃和稿件整理方面做出的大量工作，感謝郭偉對本書的支持，同時感謝極寬量化開源團隊提供的技術支持。
本書配套程序請在TOP極寬量化網站資源中心下載：www.topQuant.vip。
本書交流群QQ群號：一群，790548107；二群，476962696。

目 錄


第1章 快速入門 1
1.1 MXNet簡介 1
1.2 CUDA運行環境安裝 4
1.3 MXNet運行環境安裝 5
1.3.1 下載MXNet模塊庫 6
1.3.2 安裝MXNet模塊庫預處理 6
1.3.3 安裝MXNet模塊庫 9
案例1-1：重點模塊版本測試 10
案例1-2：MXNet安裝包測試 12
1.4 GPU開發環境測試 13
案例1-3：GPU開發環境測試 13
1.5 量化GPU工作站推薦配置 15
第2章 基本操作 18
2.1 NDArray數組 18
案例2-1：NDArray數組常用功能 19
2.2 GPU加速模式 26
案例2-2：GPU加速功能 26
案例2-3：Gluon的GPU計算 28
2.3 Matplotlib畫圖 30
案例2-4：Matplotlib常用功能 30
案例2-5：多子圖繪製 31
2.4 常用數據文件 33
案例2-6：讀取金融數據 33
2.5 TA-Lib金融模塊庫 36
2.6 MA移動平均線 40
案例2-7：MA均線指標 41
案例2-8：多MA均線指標 44
2.7 常用工具函數包 47
第3章 數據預處理 53
3.1 數據與預處理背景介紹 53
3.2 數據預處理常用技術 54
3.3 歸一化 55
案例3-1：MinMaxScaler歸一化 56
案例3-2：Standardization標準化 57
3.4 缺失值 58
案例3-3：Imputer缺失值補充 59
3.5 多項式特徵 60
案例3-4：PolynomialFeatures多項式特徵 60
第4章 線性神經網絡模型 62
4.1 線性神經網絡 62
案例4-1：line上證指數n+1價格預測 64
4.2 Logistic邏輯回歸模型 76
案例4-2：Logistic上證指數漲跌預測 78
第5章 MLP神經網絡模型 86
5.1 MLP多層感知器 86
案例5-1：MLP上證指數n+1價格預測 88
5.2 SMA簡單均線量化策略 99
案例5-2：MLP上證指數n+1價格預測均線增強版 99
第6章 CNN卷積神經網絡 104
6.1 CNN卷積神經網絡簡介 104
常用激活函數介紹 106
案例6-1：CNN上證指數n+1價格預測 109
6.2 ADX平均趨向量化投資策略 115
案例6-2：CNN上證指數n+1價格預測ADX增強版 116
第7章 GoogLeNet穀歌神經網絡模型 121
7.1 GoogLeNet穀歌深度卷積神經網絡模型 121
案例7-1：GoogLeNet上證指數n+1價格預測 123
7.2 KELCH肯特納通道量化投資策略 135
案例7-2：GoogLeNet上證指數n+1價格預測（2） 135
第8章 ResNet深度殘差網絡模型 139
8.1 ResNet深度殘差神經網絡模型 139
8.2 Money Flow資金流向指標 142
案例8-1：ResNet深度殘差時間序列預測A股資金流向 144
8.3 MOM動量線量化投資策略 149
第9章 RNN循環神經網絡模型 150
9.1 RNN循環神經網絡 150
9.2 RSI相對強弱指標 152
案例9-1：RNN上證指數n+1價格預測 153
9.3 IRNN修正循環神經網絡 174
案例9-2：IRNN上證指數n+1價格預測 174
第10章 DenseNet稠密神經網絡模型 178
10.1 DenseNet稠密神經網絡模型 178
案例10-1：DenseNet上證指數n+1價格預測 180
10.2 OBV能量潮量化投資策略 187
案例10-2：DenseNet上證指數n+1價格預測 187
第11章 文本數據挖掘與量化 192
11.1 財經新聞數據 192
案例11-1a：獲取財經新聞 193
11.2 直播新聞 195
案例11-1b：獲取直播新聞 195
11.3 信息地雷 197
案例11-1c：獲取信息地雷 198
11.4 定時器 199
案例11-2：進階腳本――定時器 200
11.5 新聞數據庫 206
案例11-3：使用sqlalchemy新聞數據庫 206
第12章 財經新聞情感分類 214
12.1 文本數據分類 214
12.2 NLP與財經新聞數據 215
12.3 微博短文本數據情感分類 216
案例12-1：微博情感分類 217
12.4 貝葉斯微博情感分類器 236
案例12-2：微博數據情感分類2 237
第13章 金融數據可視化分析 245
13.1 Plotly繪圖模塊簡介 245
案例13-1：Plotly入門案例 252
案例13-2：線形圖與散點圖 253
案例13-3：氣泡圖 255
案例13-4：柱狀圖 256
案例13-5：直方圖 258
案例13-6：餅圖 259
13.2 金融數據繪圖 261
案例13-7：K線圖 261
案例13-8：高級繪圖1 263
13.3 Plotly高級繪圖擴展 264
案例13-9：複合金融指標 264
案例13-10：高級繪圖2 265
附錄A Python快速入門 267
案例1：第一次編程“hello,ziwang” 267
案例2：增強版“hello,ziwang” 269
案例3：列舉系統模塊庫清單 271
案例4：常用繪圖風格 272
案例5：Pandas常用繪圖風格 274
案例6：常用顏色表cors 275
案例7：基本運算 278
案例8：字符串入門 280
案例9：字符串常用方法 281
案例10：列表操作 283
案例11：元組操作 285
案例12：字典操作 286
案例13：控制語句 288
案例14：函數定義 290
附錄B TA-Lib金融軟件包 292
附錄C 量化分析常用指標 297