相關商品
商品簡介
作者簡介
目次
商品簡介
本書首先講解人工智慧的基礎知識，即什麼是人工智慧、為什麼要學習人工智慧、什麼是智慧、智慧類型、人工智慧的研究與應用領域等；然後講解Python程式設計基礎和人工智慧的三個重要的包，即Numpy包、Pandas包和Matplotlib包；接著講解5種機器學習演算法，即決策樹、隨機森林、支持向量機(SVM)、樸素貝葉斯和人工智慧的神經網路；然後講解Python量化交易策略的編寫、獲取資料函數、Python基本面量化選股、Python量化擇時的技術指標函數、Python量化交易策略的回測技巧、Python量化交易策略
作者簡介
李曉波，從事金融衍生品市場交易及管理近20年，有著豐富的經驗和體會，對國內外貴金屬、外匯、郵幣卡、大宗商品及股市等主流交易方式有著深刻的瞭解，擅長股票、期貨、黃金、白銀、郵幣卡、外匯的培訓指導，經常活躍在各大金融講壇，深為投資者喜愛。可為個人投資者及機構提供分析、投資諮詢，交易指導，理財培訓等多方位的專業服務。
目次
第1章 人工智能快速入門 / 1
1.1 初識人工智能 / 2
1.1.1 什麼是人工智能 / 2
1.1.2 為什麼要學習人工智能 / 2
1.2 智能概述 / 4
1.2.1 智能類型 / 4
1.2.2 智能的組成 / 6
1.3 人工智能的研究與應用領域 / 8
1.3.1 專家系統 / 8
1.3.2 自然語言理解 / 9
1.3.3 機器學習 / 9
1.3.4 機器定理證明 / 10
1.3.5 自動程序設計 / 11
1.3.6 分布式人工智能 / 12
1.3.7 機器人學 / 13
1.3.8 模式識別 / 14
1.3.9 人機博弈 / 14
1.3.10 計算機視覺 / 15
1.3.11 軟計算 / 15
1.3.12 智能控制 / 16
1.3.13 智能規劃 / 17
1.4 人工智能的開發語言 / 18
1.4.1 為什麼使用Python來開發人工智能 / 18
1.4.2 Python的下載和安裝 / 18
1.4.3 Python程序的編寫 / 21
1.4.4 利用量化交易平臺編寫Python程序 / 24
1.5 人工智能的發展歷史 / 27
1.5.1 計算機時代 / 27
1.5.2 大量程序 / 28
1.5.3 強弱人工智能 / 29
第2章 Python 編程基礎 / 31
2.1 Python的基本數據類型 / 32
2.1.1 數值類型 / 32
2.1.2 字符串 / 34
2.2 變量與賦值 / 37
2.2.1 變量命名規則 / 37
2.2.2 變量的賦值 / 38
2.3 Python的基本運算 / 39
2.3.1 算術運算 / 39
2.3.2 賦值運算 / 41
2.3.3 位運算 / 42
2.4 Python的選擇結構 / 43
2.4.1 關係運算 / 43
2.4.2 邏輯運算 / 45
2.4.3 if 語句 / 46
2.4.4 嵌套 if 語句 / 48
2.5 Python的循環結構 / 49
2.5.1 while循環 / 50
2.5.2 while 循環使用else語句 / 51
2.5.3 無限循環 / 51
2.5.4 for循環 / 52
2.5.5 在for循環中使用range()函數 / 53
2.5.6 break語句 / 54
2.5.7 continue語句 / 55
2.5.8 pass語句 / 56
2.6 Python的特徵數據類型 / 57
2.6.1 列表 / 57
2.6.2 元組 / 61
2.6.3 字典 / 63
2.6.4 集合 / 64
2.7 Python的函數 / 67
2.7.1 函數的定義與調用 / 67
2.7.2 參數傳遞 / 69
2.7.3 匿名函數 / 71
2.7.4 變量作用域 / 72
2.8 Python的面向對象 / 73
2.8.1 面向對象概念 / 73
2.8.2 類與實例 / 74
2.8.3 模塊的引用 / 77
2.9 Python的代碼格式 / 78
2.9.1 代碼縮進 / 78
2.9.2 代碼注釋 / 79
2.9.3 空行 / 79
2.9.4 同一行顯示多條語句 / 79
第3章 人工智能的Numpy 包 / 81
3.1 初識Numpy包 / 82
3.2 ndarray數組基礎 / 82
3.2.1 創建Numpy數組 / 83
3.2.2 Numpy特殊數組 / 86
3.2.3 Numpy序列數組 / 90
3.2.4 Numpy數組索引 / 91
3.2.5 Numpy數組運算 / 92
3.2.6 Numpy數組複製 / 93
3.3 Numpy的矩陣 / 94
3.4 Numpy的線性代數 / 96
3.4.1 兩個數組的點積 / 96
3.4.2 兩個向量的點積 / 97
3.4.3 一維數組的向量內積 / 97
3.4.4 矩陣的行列式 / 98
3.4.5 矩陣的逆 / 100
3.5 Numpy的文件操作 / 101
第4章 人工智能的Pandas 包 / 105
4.1 Pandas的數據結構 / 106
4.2 一維數組系列(Series) / 106
4.2.1 創建一個空的系列(Series) / 106
4.2.2 從ndarray創建一個系列(Series) / 107
4.2.3 從字典創建一個系列(Series) / 109
4.2.4 從有位置的系列(Series)中訪問數據 / 109
4.2.5 使用標簽檢索數據 / 110
4.3 二維數組DataFrame / 111
4.3.1 創建DataFrame / 111
4.3.2 數據的查看 / 112
4.3.3 數據的選擇 / 116
4.3.4 數據的處理 / 122
4.4 三維數組Panel / 124
第5章 人工智能的Matplotlib 包 / 127
5.1 Matplotlib包的優點 / 128
5.2 figure()函數的應用 / 128
5.2.1 figure()函數的各參數意義 / 128
5.2.2 figure()函數的實例 / 129
5.3 plot()函數的應用 / 131
5.3.1 plot()函數的各參數意義 / 131
5.3.2 plot()函數的實例 / 132
5.4 subplot()函數的應用 / 133
5.4.1 subplot()的各參數意義 / 134
5.4.2 subplot()的實例 / 134
5.5 add_axes方法的應用 / 135
5.6 legend()函數的應用 / 137
5.7 設置字體格式 / 139
5.8 設置線條的寬度和顏色 / 140
5.9 坐標軸網格 / 142
5.10 繪製柱狀圖 / 143
5.11 繪製色圖和等高線圖 / 144
5.12 繪製立體三維圖形 / 146
第6章 決策樹和隨機森林 / 151
6.1 決策樹 / 152
6.1.1 什麼是決策樹 / 152
6.1.2 決策樹的組成 / 153
6.1.3 決策樹的優點 / 153
6.1.4 決策樹的缺點 / 154
6.1.5 決策樹的構造 / 154
6.1.6 純度判斷方法 / 155
6.1.7 決策樹的剪枝 / 162
6.1.8 利用Python代碼實現決策樹 / 163
6.2 隨機森林 / 167
6.2.1 隨機森林的構建 / 167
6.2.2 隨機森林的優缺點 / 168
6.2.3 隨機森林的應用範圍 / 168
6.2.4 利用Python代碼實現隨機森林 / 169
第7章 支持向量機(SVM)和樸素貝葉斯 / 173
7.1 支持向量機(SVM) / 174
7.1.1 什麼是支持向量機(SVM) / 174
7.1.2 支持向量機(SVM)的工作原理 / 174
7.1.3 核函數 / 175
7.1.4 支持向量機(SVM)的優點 / 177
7.1.5 支持向量機(SVM)的缺點 / 177
7.1.6 利用Python代碼實現支持向量機(SVM) / 177
7.2 樸素貝葉斯 / 182
7.2.1 什麼是樸素貝葉斯 / 182
7.2.2 樸素貝葉斯的算法思想 / 182
7.2.3 樸素貝葉斯的算法步驟 / 183
7.2.4 樸素貝葉斯的優缺點 / 184
7.2.5 利用Python代碼實現高斯樸素貝葉斯 / 184
7.2.6 利用Python代碼實現多項式分佈樸素貝葉斯 / 187
7.2.7 利用Python代碼實現伯努力樸素貝葉斯 / 188
第8章 人工智能的神經網絡 / 191
8.1 初識人工神經網絡 / 192
8.1.1 什麼是人工神經網絡 / 192
8.1.2 大腦中的神經元細胞和神經元細胞網絡 / 192
8.1.3 人工神經網絡的基本特徵 / 193
8.1.4 人工神經網絡的特點 / 195
8.2 人工神經網絡的算法 / 195
8.3 神經網絡庫Pybrain / 197
8.3.1 神經網絡的創建 / 197
8.3.2 神經網絡的數據集定義 / 201
8.3.3 訓練神經網絡 / 202
8.3.4 循環神經網絡 / 204
8.4 人工神經網絡實例 / 205
第9章 Python 量化交易策略的編寫 / 209
9.1 Python量化交易策略的組成 / 210
9.1.1 初始化函數(initialize) / 211
9.1.2 開盤前運行函數(before_market_open) / 212
9.1.3 開盤時運行函數(market_open) / 213
9.1.4 收盤後運行函數(after_market_close) / 214
9.2 Python量化交易策略的設置函數 / 214
9.2.1 設置基準函數 / 215
9.2.2 設置傭金/印花稅函數 / 215
9.2.3 設置滑點函數 / 217
9.2.4 設置動態複權(真實價格)模式函數 / 217
9.2.5 設置成交量比例函數 / 218
9.2.6 設置是否開啟盤口撮合模式函數 / 218
9.2.7 設置要操作的股票池函數 / 218
9.3 Python量化交易策略的定時函數 / 219
9.3.1 定時函數的定義及分類 / 219
9.3.2 定時函數各項參數的意義 / 219
9.3.3 定時函數的注意事項 / 220
9.3.4 定時函數的實例 / 221
9.4 Python量化交易策略的下單函數 / 222
9.4.1 按股數下單函數 / 222
9.4.2 目標股數下單函數 / 223
9.4.3 按價值下單函數 / 223
9.4.4 目標價值下單函數 / 224
9.4.5 撤單函數 / 224
9.4.6 獲取未完成訂單函數 / 225
9.4.7 獲取訂單信息函數 / 225
9.4.8 獲取成交信息函數 / 226
9.5 Python量化交易策略的日誌log / 226
9.5.1 設定log級別 / 226
9.5.2 log.info / 227
9.6 Python量化交易策略的常用對象 / 227
9.6.1 Order對象 / 227
9.6.2 全域對象g / 228
9.6.3 Trade對象 / 229
9.6.4 tick對象 / 229
9.6.5 Context對象 / 230
9.6.6 Position對象 / 231
9.6.7 SubPortfolio對象 / 232
9.6.8 Portfolio對象 / 233
9.6.9 SecurityUnitData對象 / 233
第10章 Python 量化交易策略的獲取數據函數 / 235
10.1 獲取股票數據的history()函數 / 236
10.1.1 各項參數的意義 / 236
10.1.2 history()函數的應用實例 / 238
10.2 獲取一隻股票數據的attribute_history ()函數 / 241
10.3 查詢一個交易日股票財務數據的get_fundamentals ()函數 / 242
10.3.1 各項參數的意義 / 242
10.3.2 get_fundamentals ()函數的應用實例 / 243
10.4 查詢股票財務數據的get_fundamentals_continuously ()函數 / 249
10.5 獲取股票特別數據的get_current_data ()函數 / 250
10.6 獲取指數成分股代碼的get_index_stocks ()函數 / 251
10.6.1 各項參數的意義 / 251
10.6.2 get_index_stocks ()函數的應用實例 / 252
10.7 獲取行業成分股代碼的get_industry_stocks()函數 / 253
10.8 獲取概念成本股代碼的get_concept_stocks ()函數 / 255
10.9 獲取所有數據信息的get_all_securities()函數 / 256
10.9.1 各項參數的意義 / 256
10.9.2 get_all_securities()函數的應用實例 / 257
10.10 獲取一隻股票信息的get_security_info ()函數 / 259
10.11 獲取龍虎榜數據的get_billboard_list ()函數 / 260
10.11.1 各項參數的意義 / 260
10.11.2 get_billboard_list()函數的應用實例 / 261
10.12 獲取限售解禁數據的get_locked_shares ()函數 / 262
第11章 Python 基本面量化選股 / 265
11.1 初識量化選股 / 266
11.2 成長類因子選股 / 266
11.2.1 營業收入同比增長率選股 / 266
11.2.2 營業收入環比增長率選股 / 268
11.2.3 淨利潤同比增長率選股 / 269
11.2.4 淨利潤環比增長率選股 / 270
11.2.5 營業利潤率選股 / 271
11.2.6 銷售淨利率選股 / 272
11.2.7 銷售毛利率選股 / 273
11.3 規模類因子選股 / 274
11.3.1 總市值選股 / 274
11.3.2 流通市值選股 / 275
11.3.3 總股本選股 / 277
11.3.4 流通股本選股 / 277
11.4 價值類因子選股 / 278
11.4.1 市淨率選股 / 278
11.4.2 市銷率選股 / 279
11.4.3 市現率選股 / 280
11.4.4 動態市盈率選股 / 281
11.4.5 靜態市盈率選股 / 283
11.5 質量類因子選股 / 284
11.5.1 淨資產收益率選股 / 284
11.5.2 總資產淨利率選股 / 285
11.6 基本面多因子量化選股的注意事項 / 286
第12章 Python 量化擇時的技術指標函數 / 289
12.1 初識量化擇時 / 290
12.2 趨向指標函數 / 291
12.2.1 MACD指標函數 / 291
12.2.2 EMV指標函數 / 293
12.2.3 UOS指標函數 / 294
12.2.4 GDX指標函數 / 295
12.2.5 DMA指標函數 / 297
12.2.6 JS指標函數 / 298
12.2.7 MA指標函數 / 300
12.2.8 EXPMA指標函數 / 301
12.2.9 VMA指標函數 / 302
12.3 反趨向指標函數 / 303
12.3.1 KD指標函數 / 303
12.3.2 MFI指標函數 / 304
12.3.3 RSI指標函數 / 306
12.3.4 OSC指標函數 / 307
12.3.5 WR指標函數 / 308
12.3.6 CCI指標函數 / 310
12.4 壓力支撐指標函數 / 311
12.4.1 BOLL指標函數 / 311
12.4.2 MIKE指標函數 / 312
12.4.3 XS指標函數 / 313
12.5 量價指標函數 / 315
12.5.1 OBV指標函數 / 316
12.5.2 VOL指標函數 / 317
12.5.3 VR指標函數 / 318
12.5.4 MASS指標函數 / 319
第13章 Python 量化交易策略的回測技巧 / 321
13.1 量化交易策略回測的流程 / 322
13.2 利用Python編寫MACD指標量化策略 / 323
13.2.1 量化交易策略的編輯頁面 / 323
13.2.2 編寫初始化函數 / 325
13.2.3 編寫單位時間調用的函數 / 326
13.3 設置MACD指標量化策略的回測參數 / 327
13.4 MACD指標量化策略的回測詳情 / 329
13.5 MACD指標量化策略的風險指標 / 332
13.5.1 Alpha(阿爾法) / 333
13.5.2 Beta(貝塔) / 333
13.5.3 Sharpe(夏普比率) / 334
13.5.4 Sortino(索提諾比率) / 335
13.5.5 Information Ratio(信息比率) / 336
13.5.6 Volatility(策略波動率) / 337
13.5.7 Benchmark Volatility(基準波動率) / 338
13.5.8 Max Drawdown(最大回撤) / 338
第14章 Python 量化交易策略的機器學習方法應用 / 341
14.1 隨機森林在量化交易中的應用 / 342
14.2 支持向量機(SVM)在量化交易中的應用 / 345
14.3 樸素貝葉斯在量化交易中的應用 / 348
14.4 神經網絡在量化交易中的應用 / 351
第15章 Python 量化交易策略的因子分析技巧 / 357
15.1 因子分析概述 / 358
15.1.1 因子的類型 / 358
15.1.2 因子分析的作用 / 358
15.2 因子分析的實現代碼 / 358
15.2.1 因子分析中變量的含義 / 359
15.2.2 因子分析中可以使用的基礎因子 / 359
15.2.3 calc的參數及返回值 / 361
15.3 因子分析的結果 / 361
15.3.1 新建因子 / 361
15.3.2 收益分析 / 364
15.3.3 IC分析 / 367
15.3.4 換手分析 / 368
15.4 因子在研究和回測中的使用 / 370
15.5 基本面因子應用實例 / 372
第16章 Python 量化交易策略實例 / 375
16.1 MA均線量化交易策略 / 376
16.1.1 編寫初始化函數 / 376
16.1.2 編寫單位時間調用的函數 / 378
16.1.3 MA均線量化交易策略的回測 / 379
16.2 多均線量化交易策略 / 380
16.2.1 編寫初始化函數 / 380
16.2.2 編寫交易程序函數 / 381
16.2.3 多均線量化交易策略的回測 / 382
16.3 MACD指標量化交易策略 / 383
16.3.1 編寫初始化函數 / 384
16.3.2 編寫單位時間調用的函數 / 384
16.3.3 MACD指標量化交易策略的回測 / 385
16.4 KD指標量化交易策略 / 386
16.4.1 編寫初始化函數 / 386
16.4.2 編寫開盤前運行函數 / 387
16.4.3 編寫開盤時運行函數 / 387
16.4.4 編寫收盤後運行函數 / 388
16.4.5 KD指標量化交易策略的回測 / 389
16.5 BOLL指標量化交易策略 / 390
16.5.1 編寫初始化函數 / 390
16.5.2 編寫開盤前運行函數 / 391
16.5.3 編寫開盤時運行函數 / 391
16.5.4 編寫收盤後運行函數 / 393
16.5.5 BOLL指標量化交易策略的回測 / 393
16.6 多股票持倉量化交易策略 / 394
16.6.1 編寫初始化函數 / 394
16.6.2 編寫單位時間調用的函數 / 395
16.6.3 多股票持倉量化交易策略的回測 / 396
16.7 醫藥股輪動量化交易策略 / 397
16.7.1 編寫初始化函數 / 397
16.7.2 編寫選股函數 / 398
16.7.3 編寫交易函數 / 398
16.7.4 醫藥股輪動量化交易策略的回測 / 399
16.8 小市值股票量化交易策略 / 399
16.8.1 編寫初始化函數 / 400
16.8.2 編寫選股函數 / 401
16.8.3 編寫過濾停牌股票函數 / 401
16.8.4 編寫交易函數 / 401
16.8.5 小市值股票量化交易策略的回測 / 402
16.9 人工智能多因子量化交易策略 / 403
16.9.1 編寫初始化函數 / 403
16.9.2 編寫自定義的交易函數 / 404
16.9.3 人工智能多因子量化交易策略的回測 / 409
1.1 初識人工智能 / 2
1.1.1 什麼是人工智能 / 2
1.1.2 為什麼要學習人工智能 / 2
1.2 智能概述 / 4
1.2.1 智能類型 / 4
1.2.2 智能的組成 / 6
1.3 人工智能的研究與應用領域 / 8
1.3.1 專家系統 / 8
1.3.2 自然語言理解 / 9
1.3.3 機器學習 / 9
1.3.4 機器定理證明 / 10
1.3.5 自動程序設計 / 11
1.3.6 分布式人工智能 / 12
1.3.7 機器人學 / 13
1.3.8 模式識別 / 14
1.3.9 人機博弈 / 14
1.3.10 計算機視覺 / 15
1.3.11 軟計算 / 15
1.3.12 智能控制 / 16
1.3.13 智能規劃 / 17
1.4 人工智能的開發語言 / 18
1.4.1 為什麼使用Python來開發人工智能 / 18
1.4.2 Python的下載和安裝 / 18
1.4.3 Python程序的編寫 / 21
1.4.4 利用量化交易平臺編寫Python程序 / 24
1.5 人工智能的發展歷史 / 27
1.5.1 計算機時代 / 27
1.5.2 大量程序 / 28
1.5.3 強弱人工智能 / 29
第2章 Python 編程基礎 / 31
2.1 Python的基本數據類型 / 32
2.1.1 數值類型 / 32
2.1.2 字符串 / 34
2.2 變量與賦值 / 37
2.2.1 變量命名規則 / 37
2.2.2 變量的賦值 / 38
2.3 Python的基本運算 / 39
2.3.1 算術運算 / 39
2.3.2 賦值運算 / 41
2.3.3 位運算 / 42
2.4 Python的選擇結構 / 43
2.4.1 關係運算 / 43
2.4.2 邏輯運算 / 45
2.4.3 if 語句 / 46
2.4.4 嵌套 if 語句 / 48
2.5 Python的循環結構 / 49
2.5.1 while循環 / 50
2.5.2 while 循環使用else語句 / 51
2.5.3 無限循環 / 51
2.5.4 for循環 / 52
2.5.5 在for循環中使用range()函數 / 53
2.5.6 break語句 / 54
2.5.7 continue語句 / 55
2.5.8 pass語句 / 56
2.6 Python的特徵數據類型 / 57
2.6.1 列表 / 57
2.6.2 元組 / 61
2.6.3 字典 / 63
2.6.4 集合 / 64
2.7 Python的函數 / 67
2.7.1 函數的定義與調用 / 67
2.7.2 參數傳遞 / 69
2.7.3 匿名函數 / 71
2.7.4 變量作用域 / 72
2.8 Python的面向對象 / 73
2.8.1 面向對象概念 / 73
2.8.2 類與實例 / 74
2.8.3 模塊的引用 / 77
2.9 Python的代碼格式 / 78
2.9.1 代碼縮進 / 78
2.9.2 代碼注釋 / 79
2.9.3 空行 / 79
2.9.4 同一行顯示多條語句 / 79
第3章 人工智能的Numpy 包 / 81
3.1 初識Numpy包 / 82
3.2 ndarray數組基礎 / 82
3.2.1 創建Numpy數組 / 83
3.2.2 Numpy特殊數組 / 86
3.2.3 Numpy序列數組 / 90
3.2.4 Numpy數組索引 / 91
3.2.5 Numpy數組運算 / 92
3.2.6 Numpy數組複製 / 93
3.3 Numpy的矩陣 / 94
3.4 Numpy的線性代數 / 96
3.4.1 兩個數組的點積 / 96
3.4.2 兩個向量的點積 / 97
3.4.3 一維數組的向量內積 / 97
3.4.4 矩陣的行列式 / 98
3.4.5 矩陣的逆 / 100
3.5 Numpy的文件操作 / 101
第4章 人工智能的Pandas 包 / 105
4.1 Pandas的數據結構 / 106
4.2 一維數組系列(Series) / 106
4.2.1 創建一個空的系列(Series) / 106
4.2.2 從ndarray創建一個系列(Series) / 107
4.2.3 從字典創建一個系列(Series) / 109
4.2.4 從有位置的系列(Series)中訪問數據 / 109
4.2.5 使用標簽檢索數據 / 110
4.3 二維數組DataFrame / 111
4.3.1 創建DataFrame / 111
4.3.2 數據的查看 / 112
4.3.3 數據的選擇 / 116
4.3.4 數據的處理 / 122
4.4 三維數組Panel / 124
第5章 人工智能的Matplotlib 包 / 127
5.1 Matplotlib包的優點 / 128
5.2 figure()函數的應用 / 128
5.2.1 figure()函數的各參數意義 / 128
5.2.2 figure()函數的實例 / 129
5.3 plot()函數的應用 / 131
5.3.1 plot()函數的各參數意義 / 131
5.3.2 plot()函數的實例 / 132
5.4 subplot()函數的應用 / 133
5.4.1 subplot()的各參數意義 / 134
5.4.2 subplot()的實例 / 134
5.5 add_axes方法的應用 / 135
5.6 legend()函數的應用 / 137
5.7 設置字體格式 / 139
5.8 設置線條的寬度和顏色 / 140
5.9 坐標軸網格 / 142
5.10 繪製柱狀圖 / 143
5.11 繪製色圖和等高線圖 / 144
5.12 繪製立體三維圖形 / 146
第6章 決策樹和隨機森林 / 151
6.1 決策樹 / 152
6.1.1 什麼是決策樹 / 152
6.1.2 決策樹的組成 / 153
6.1.3 決策樹的優點 / 153
6.1.4 決策樹的缺點 / 154
6.1.5 決策樹的構造 / 154
6.1.6 純度判斷方法 / 155
6.1.7 決策樹的剪枝 / 162
6.1.8 利用Python代碼實現決策樹 / 163
6.2 隨機森林 / 167
6.2.1 隨機森林的構建 / 167
6.2.2 隨機森林的優缺點 / 168
6.2.3 隨機森林的應用範圍 / 168
6.2.4 利用Python代碼實現隨機森林 / 169
第7章 支持向量機(SVM)和樸素貝葉斯 / 173
7.1 支持向量機(SVM) / 174
7.1.1 什麼是支持向量機(SVM) / 174
7.1.2 支持向量機(SVM)的工作原理 / 174
7.1.3 核函數 / 175
7.1.4 支持向量機(SVM)的優點 / 177
7.1.5 支持向量機(SVM)的缺點 / 177
7.1.6 利用Python代碼實現支持向量機(SVM) / 177
7.2 樸素貝葉斯 / 182
7.2.1 什麼是樸素貝葉斯 / 182
7.2.2 樸素貝葉斯的算法思想 / 182
7.2.3 樸素貝葉斯的算法步驟 / 183
7.2.4 樸素貝葉斯的優缺點 / 184
7.2.5 利用Python代碼實現高斯樸素貝葉斯 / 184
7.2.6 利用Python代碼實現多項式分佈樸素貝葉斯 / 187
7.2.7 利用Python代碼實現伯努力樸素貝葉斯 / 188
第8章 人工智能的神經網絡 / 191
8.1 初識人工神經網絡 / 192
8.1.1 什麼是人工神經網絡 / 192
8.1.2 大腦中的神經元細胞和神經元細胞網絡 / 192
8.1.3 人工神經網絡的基本特徵 / 193
8.1.4 人工神經網絡的特點 / 195
8.2 人工神經網絡的算法 / 195
8.3 神經網絡庫Pybrain / 197
8.3.1 神經網絡的創建 / 197
8.3.2 神經網絡的數據集定義 / 201
8.3.3 訓練神經網絡 / 202
8.3.4 循環神經網絡 / 204
8.4 人工神經網絡實例 / 205
第9章 Python 量化交易策略的編寫 / 209
9.1 Python量化交易策略的組成 / 210
9.1.1 初始化函數(initialize) / 211
9.1.2 開盤前運行函數(before_market_open) / 212
9.1.3 開盤時運行函數(market_open) / 213
9.1.4 收盤後運行函數(after_market_close) / 214
9.2 Python量化交易策略的設置函數 / 214
9.2.1 設置基準函數 / 215
9.2.2 設置傭金/印花稅函數 / 215
9.2.3 設置滑點函數 / 217
9.2.4 設置動態複權(真實價格)模式函數 / 217
9.2.5 設置成交量比例函數 / 218
9.2.6 設置是否開啟盤口撮合模式函數 / 218
9.2.7 設置要操作的股票池函數 / 218
9.3 Python量化交易策略的定時函數 / 219
9.3.1 定時函數的定義及分類 / 219
9.3.2 定時函數各項參數的意義 / 219
9.3.3 定時函數的注意事項 / 220
9.3.4 定時函數的實例 / 221
9.4 Python量化交易策略的下單函數 / 222
9.4.1 按股數下單函數 / 222
9.4.2 目標股數下單函數 / 223
9.4.3 按價值下單函數 / 223
9.4.4 目標價值下單函數 / 224
9.4.5 撤單函數 / 224
9.4.6 獲取未完成訂單函數 / 225
9.4.7 獲取訂單信息函數 / 225
9.4.8 獲取成交信息函數 / 226
9.5 Python量化交易策略的日誌log / 226
9.5.1 設定log級別 / 226
9.5.2 log.info / 227
9.6 Python量化交易策略的常用對象 / 227
9.6.1 Order對象 / 227
9.6.2 全域對象g / 228
9.6.3 Trade對象 / 229
9.6.4 tick對象 / 229
9.6.5 Context對象 / 230
9.6.6 Position對象 / 231
9.6.7 SubPortfolio對象 / 232
9.6.8 Portfolio對象 / 233
9.6.9 SecurityUnitData對象 / 233
第10章 Python 量化交易策略的獲取數據函數 / 235
10.1 獲取股票數據的history()函數 / 236
10.1.1 各項參數的意義 / 236
10.1.2 history()函數的應用實例 / 238
10.2 獲取一隻股票數據的attribute_history ()函數 / 241
10.3 查詢一個交易日股票財務數據的get_fundamentals ()函數 / 242
10.3.1 各項參數的意義 / 242
10.3.2 get_fundamentals ()函數的應用實例 / 243
10.4 查詢股票財務數據的get_fundamentals_continuously ()函數 / 249
10.5 獲取股票特別數據的get_current_data ()函數 / 250
10.6 獲取指數成分股代碼的get_index_stocks ()函數 / 251
10.6.1 各項參數的意義 / 251
10.6.2 get_index_stocks ()函數的應用實例 / 252
10.7 獲取行業成分股代碼的get_industry_stocks()函數 / 253
10.8 獲取概念成本股代碼的get_concept_stocks ()函數 / 255
10.9 獲取所有數據信息的get_all_securities()函數 / 256
10.9.1 各項參數的意義 / 256
10.9.2 get_all_securities()函數的應用實例 / 257
10.10 獲取一隻股票信息的get_security_info ()函數 / 259
10.11 獲取龍虎榜數據的get_billboard_list ()函數 / 260
10.11.1 各項參數的意義 / 260
10.11.2 get_billboard_list()函數的應用實例 / 261
10.12 獲取限售解禁數據的get_locked_shares ()函數 / 262
第11章 Python 基本面量化選股 / 265
11.1 初識量化選股 / 266
11.2 成長類因子選股 / 266
11.2.1 營業收入同比增長率選股 / 266
11.2.2 營業收入環比增長率選股 / 268
11.2.3 淨利潤同比增長率選股 / 269
11.2.4 淨利潤環比增長率選股 / 270
11.2.5 營業利潤率選股 / 271
11.2.6 銷售淨利率選股 / 272
11.2.7 銷售毛利率選股 / 273
11.3 規模類因子選股 / 274
11.3.1 總市值選股 / 274
11.3.2 流通市值選股 / 275
11.3.3 總股本選股 / 277
11.3.4 流通股本選股 / 277
11.4 價值類因子選股 / 278
11.4.1 市淨率選股 / 278
11.4.2 市銷率選股 / 279
11.4.3 市現率選股 / 280
11.4.4 動態市盈率選股 / 281
11.4.5 靜態市盈率選股 / 283
11.5 質量類因子選股 / 284
11.5.1 淨資產收益率選股 / 284
11.5.2 總資產淨利率選股 / 285
11.6 基本面多因子量化選股的注意事項 / 286
第12章 Python 量化擇時的技術指標函數 / 289
12.1 初識量化擇時 / 290
12.2 趨向指標函數 / 291
12.2.1 MACD指標函數 / 291
12.2.2 EMV指標函數 / 293
12.2.3 UOS指標函數 / 294
12.2.4 GDX指標函數 / 295
12.2.5 DMA指標函數 / 297
12.2.6 JS指標函數 / 298
12.2.7 MA指標函數 / 300
12.2.8 EXPMA指標函數 / 301
12.2.9 VMA指標函數 / 302
12.3 反趨向指標函數 / 303
12.3.1 KD指標函數 / 303
12.3.2 MFI指標函數 / 304
12.3.3 RSI指標函數 / 306
12.3.4 OSC指標函數 / 307
12.3.5 WR指標函數 / 308
12.3.6 CCI指標函數 / 310
12.4 壓力支撐指標函數 / 311
12.4.1 BOLL指標函數 / 311
12.4.2 MIKE指標函數 / 312
12.4.3 XS指標函數 / 313
12.5 量價指標函數 / 315
12.5.1 OBV指標函數 / 316
12.5.2 VOL指標函數 / 317
12.5.3 VR指標函數 / 318
12.5.4 MASS指標函數 / 319
第13章 Python 量化交易策略的回測技巧 / 321
13.1 量化交易策略回測的流程 / 322
13.2 利用Python編寫MACD指標量化策略 / 323
13.2.1 量化交易策略的編輯頁面 / 323
13.2.2 編寫初始化函數 / 325
13.2.3 編寫單位時間調用的函數 / 326
13.3 設置MACD指標量化策略的回測參數 / 327
13.4 MACD指標量化策略的回測詳情 / 329
13.5 MACD指標量化策略的風險指標 / 332
13.5.1 Alpha(阿爾法) / 333
13.5.2 Beta(貝塔) / 333
13.5.3 Sharpe(夏普比率) / 334
13.5.4 Sortino(索提諾比率) / 335
13.5.5 Information Ratio(信息比率) / 336
13.5.6 Volatility(策略波動率) / 337
13.5.7 Benchmark Volatility(基準波動率) / 338
13.5.8 Max Drawdown(最大回撤) / 338
第14章 Python 量化交易策略的機器學習方法應用 / 341
14.1 隨機森林在量化交易中的應用 / 342
14.2 支持向量機(SVM)在量化交易中的應用 / 345
14.3 樸素貝葉斯在量化交易中的應用 / 348
14.4 神經網絡在量化交易中的應用 / 351
第15章 Python 量化交易策略的因子分析技巧 / 357
15.1 因子分析概述 / 358
15.1.1 因子的類型 / 358
15.1.2 因子分析的作用 / 358
15.2 因子分析的實現代碼 / 358
15.2.1 因子分析中變量的含義 / 359
15.2.2 因子分析中可以使用的基礎因子 / 359
15.2.3 calc的參數及返回值 / 361
15.3 因子分析的結果 / 361
15.3.1 新建因子 / 361
15.3.2 收益分析 / 364
15.3.3 IC分析 / 367
15.3.4 換手分析 / 368
15.4 因子在研究和回測中的使用 / 370
15.5 基本面因子應用實例 / 372
第16章 Python 量化交易策略實例 / 375
16.1 MA均線量化交易策略 / 376
16.1.1 編寫初始化函數 / 376
16.1.2 編寫單位時間調用的函數 / 378
16.1.3 MA均線量化交易策略的回測 / 379
16.2 多均線量化交易策略 / 380
16.2.1 編寫初始化函數 / 380
16.2.2 編寫交易程序函數 / 381
16.2.3 多均線量化交易策略的回測 / 382
16.3 MACD指標量化交易策略 / 383
16.3.1 編寫初始化函數 / 384
16.3.2 編寫單位時間調用的函數 / 384
16.3.3 MACD指標量化交易策略的回測 / 385
16.4 KD指標量化交易策略 / 386
16.4.1 編寫初始化函數 / 386
16.4.2 編寫開盤前運行函數 / 387
16.4.3 編寫開盤時運行函數 / 387
16.4.4 編寫收盤後運行函數 / 388
16.4.5 KD指標量化交易策略的回測 / 389
16.5 BOLL指標量化交易策略 / 390
16.5.1 編寫初始化函數 / 390
16.5.2 編寫開盤前運行函數 / 391
16.5.3 編寫開盤時運行函數 / 391
16.5.4 編寫收盤後運行函數 / 393
16.5.5 BOLL指標量化交易策略的回測 / 393
16.6 多股票持倉量化交易策略 / 394
16.6.1 編寫初始化函數 / 394
16.6.2 編寫單位時間調用的函數 / 395
16.6.3 多股票持倉量化交易策略的回測 / 396
16.7 醫藥股輪動量化交易策略 / 397
16.7.1 編寫初始化函數 / 397
16.7.2 編寫選股函數 / 398
16.7.3 編寫交易函數 / 398
16.7.4 醫藥股輪動量化交易策略的回測 / 399
16.8 小市值股票量化交易策略 / 399
16.8.1 編寫初始化函數 / 400
16.8.2 編寫選股函數 / 401
16.8.3 編寫過濾停牌股票函數 / 401
16.8.4 編寫交易函數 / 401
16.8.5 小市值股票量化交易策略的回測 / 402
16.9 人工智能多因子量化交易策略 / 403
16.9.1 編寫初始化函數 / 403
16.9.2 編寫自定義的交易函數 / 404
16.9.3 人工智能多因子量化交易策略的回測 / 409
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。