零起點Python足彩大數據與機器學習實盤分析 ( 簡體 字) |
| 作者：何海群 | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 大數據
3. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 46633
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：4/1/2017 |
| 頁數：460 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121310744 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：從足彩到量化，再從量化到足彩。
生命總是在輪回中，不斷完成自我突破與成長壯大。
本書《Python足彩大數據與機器學習實盤分析》，是筆者《Python量化三部曲》的補充部分。
《Python量化三部曲》
《Python量化三部曲》包括：
? 《零起點Python大數據與量化交易》（入門課程）。
? 《零起點Python量化與機器學習實盤分析》（重點分析sklean）。
? 《零起點Python量化與Tensorflow學習實盤分析》（重點分析Tensorflow）。
此外還有兩部補充作品：
? 《零起點Python足彩大數據與機器學習實盤分析》。
? 《零起點Python機器學習快速入門》。
最好的Python機器學習入門教程
本書的機器學習算法章節，可能是目前最好的Python機器學習入門教程：
? 獨創的黑箱教學模式，全書無任何抽象理論和深奧的數學公式。
? 首次系統化融合sklearn人工智能軟件和pandas數據分析軟件，無需直接使用復雜的numpy數學矩陣模塊。
? 三位一體的課件模式：圖書+開發平臺+成套的教學案例，系統講解，逐步深入。
? 業內第一個系統化的sklearn函數和API中文文檔，可作為案頭工具書，隨時查閱。
? 基于sklearn+pandas模式，無需任何理論基礎，全程采用MBA案例模式，懂excel就可看懂。
這些內容采用獨創的黑箱模式，MBA案例教學機制，結合一線實戰案例，介紹sklearn人工智能模塊庫和常用的機器學習算法。
這些章節是如此獨特、精彩，在我們培訓班的內部小范圍使用當中，深受學員喜愛，于是，我們將本書當中機器學習相關的課程和案例單獨抽取出來，配合部分Python入門課程，形成《零起點Python機器學習快速入門》一書。
進一步學習
本書的讀者，如果有興趣可以進一步學習《Python量化三部曲》的內容，雖然《Python量化三部曲》的內容是金融量化分析為主，但基本原理都是想通的，本質上都是數據分析，只是數據源不同，一個是金融數據，一個是足彩賠率數據。
對于《Python量化三部曲》三部曲的讀者而言，本書也有很大的價值，特別是對于第一部入門課程的讀者。
本書有多章關于網絡爬蟲的內容和具體案例，提取網絡數據，這為希望自己編寫自動交易程序的讀者提供了一種基于web的操作接口，類似TopQuant.vip極寬量化社區轉載tushare作者的博客：
《【轉】tushare基于Python的股票實盤交易接口的實現與應用》
網絡資源
本書的讀者QQ群是：264880547（Top極寬足彩大數據）
本書有關的程序和數據下載，請瀏覽網站：TopQuant.vip極寬量化社區，網站【下載中心】有最新的程序和數據下載地址。
本書在TopQuant.vip極寬量化社區設有專欄，對本書和足彩有任何建議的，請在社區相關專欄發布信息，我們會在第一時間進行反饋和答復。
《零起點python》系列叢書
本書繼續保持了《零起點python》系列叢書的一貫風格，簡單實用，書中配備大量圖表說明，沒有一條數學公式，普通讀者，只要懂word、excel，就能夠輕松閱讀全書。
? IT零起點，無需任何電腦編程基礎，會打字、會Excel，就能看懂本書，利用本書配套的Python軟件包，輕松學會如何利用python，對股票、足彩數據，進行專業分析，量化投資分析。
? 投資零起點，無需購買任何專業軟件，本書配套的zwPython軟件包，采用開源模式，提供100%全功能、全免費的工業級數據分析平臺。
? 配置零起點，所有軟件、數據，全部采用蘋果“開箱即用”模式，綠色版本，無需安裝，解壓即可，直接運行系統。
? 理財零起點，無需任何專業金融背景，采用通俗易懂的語言，配合大量專業圖表，實盤操作案例，輕松掌握各種量化投資策略。
? 數學零起點，全書沒有任何復雜數學公式，只有最基本的加減乘除，初中以上文化，即可看懂全書。
關于足彩的幾個誤區
近年來，大數據產業，人工智能行業風生水起，可國內足彩大數據的專業研究，還是處于冷門和偏門，這其中有很多關于足彩領域的誤區。
很多主流學者，到現在都看不起足彩，認為是賭博，這個我們不討論，最近國家級別的彩票大數據研究中心，也已經正式成立了，資本的力量是無窮的。
為此，筆者做了一個簡單的小結，以正視聽：
? 足彩雖然容易與賭球混淆，但卻是最好的大數據研究對象，沒有之一。
? 微軟、百度、谷歌，目前都有專業團隊，在做足彩大數據，并定期發布。
? 說白了，足彩相當于十倍配資的股票。
? 國內足彩賠率的確很低，差不多是全球最低的，比歐平低10%左右。
? 彩票的發明人和股票，據說都是同一個英國爵士。
? 必勝足彩交易所，成立當年獲得了英國MBA商業創新大獎。
? 高盛多年前，就開始足彩套利業務，維基百科有介紹。
? 黑天鵝(紅牛吧)足彩，是業內首家公開進行實盤測試的足彩大數據模型。
? 黑天鵝算法，在業內率先以“盈利率”，而不是“勝率”，測試足彩算法模型。
致謝
雖然很多網友在筆者博客留言，建議筆者早日完成足彩大數據這本書，但本書的創作和正式出版還是經歷了許多波折。
如今本書終于出版，在此，要特別感謝電子工業出版社的黃愛萍和戴新編輯，感謝她們在選題策劃和稿件整理方面做出的大量工作。
同時，在本書創作過程中，極寬開源量化團隊和培訓班的全體成員，提出很多寶貴的意見，并對部分課件程序做了中文注解。
特別是吳娜、余勤兩位同學，為極寬開源量化文庫和zwQuant開源量化軟件編寫文檔，以及在團隊成員管理方面做了大量工作，為他們的付出表示感謝。
何海群（字王）
北京極寬科技有限公司CTO
2017年2月25日 |
內容簡介：本書采用Python編程語言、Pandas數據分析模塊、機器學習和人工智能算法，對足彩大數據進行實盤分析。設計并發布了開源大數據項目zc-dat足彩數據包，匯總了2010—2016年全球5萬余場足球比賽的賽事和賠率數據，包括威廉希爾、澳門、立博、Bet365、Interwetten、SNAI、皇冠、易勝博、偉德、必發等各大賠率公司。介紹了如何使用Python語言抓取網頁數據，下載更新zc-dat足彩數據包，并預測分析比賽獲勝球隊的取勝概率，同時提出了檢測人工智能算法優劣的“足彩圖靈”法則。 |
目錄：第1章 足彩與數據分析 1
1.1 “阿爾法狗”與足彩 1
1.2 案例1-1可怕的英國足球 3
1.3 關于足彩的幾個誤區 7
1.4 足彩?大事件 8
1.5 大數據圖靈（足彩）原則 10
1.6 主要在線彩票資源 11
1.7 主要在線足彩數據源 15
1.8 足彩基礎知識 17
1.9 學習路線圖 18
第2章 開發環境 19
2.1 數據分析首選Python 19
2.1.1 大數據，why Python 19
2.1.2 入門簡單，功能強大 21
2.1.3 難度降低90%，性能提高10倍 23
2.1.4 “零對象”編程模式 24
2.2 用戶運行平臺 25
2.3 程序目錄結構 26
2.4 tfbDat足彩數據包 27
2.5 Spyder編輯器界面設置 28
2.5.1 開發環境界面設置 28
2.5.2 代碼配色技巧 29
2.5.3 圖像顯示配置 31
2.5.4 重劍無鋒 32
2.6 Notebook模式 34
2.7 模塊庫控制面板 36
2.7.1 模塊庫資源 37
2.7.2 模塊庫維護更新 37
2.7.3 系統關聯 38
2.8 使用pip命令更新模塊庫 39
2.8.1 pip常用命令 39
2.8.2 進入Python命令行模式 41
2.8.3 pip安裝模板 41
2.8.4 pip參數解釋 42
2.8.5 pip-install參數選項 43
第3章 入門案例套餐 45
3.1 案例3-1 第一次編程，hello,ziwang 45
3.1.1 簡單調試 46
3.1.2 控制臺復位 47
3.2 案例3-2 增強版hello,zwiang 47
3.3 案例3-3 列舉系統模塊庫清單 49
3.4 案例3-4 常用繪圖風格 50
3.5 案例3-5 Pandas常用繪圖風格 52
3.6 案例3-6 常用顏色表cors 53
第4章 足彩量化分析系統 55
4.1 功能簡介 55
4.1.1 目錄結構 56
4.1.2 TFB安裝與更新 56
4.2 TFB主體框架 57
4.2.1 模塊構成 57
4.2.2 Top-Base極寬基礎模塊庫 57
4.2.3 Top-Football極寬足彩專業模塊庫 58
4.2.4 tfbDat極寬足彩數據包 59
4.2.5 量化系統模塊構成 60
4.2.6 案例4-1 賠率文件切割 61
4.2.7 案例4-2 批量切割數據文件 64
4.3 tfbDat數據結構 66
4.3.1 案例4-3 tfb數據格式 67
4.3.2 gid基本比賽數據格式 67
4.3.3 xdat賠率數據格式 69
4.4 足彩基本數據分析 73
4.4.1 案例4-4 比賽數據基本圖表分析 73
4.4.2 案例4-5 比賽數據進階圖表分析 77
4.4.3 案例4-6 比賽數據年度圖表分析 80
4.4.4 案例4-7 比賽數據時間細分圖表分析 81
4.5 勝、平、負數據分析 88
4.5.1 案例4-8 勝、平、負數據分析 88
4.5.2 @修飾符 88
4.5.3 勝平負分析 90
4.6 賠率數據分析 91
4.6.1 案例4-9 賠率分析 91
4.6.2 擴充dr_gid_top10繪圖函數 92
4.6.3 賠率對比 93
第5章 常用數據分析工具 96
5.1 Pandas數據分析軟件 96
5.1.1 Python簡介 96
5.1.2 案例5-1 Pandas常用統計功能 99
5.2 科學計算 104
5.3 人工智能 105
5.4 NLTK語義分析 107
5.5 數據清洗統計分析 109
5.6 數據可視化 109
第6章 輔助工具 114
6.1 性能優化 114
6.1.1 numexpr矢量加速庫 115
6.1.2 Numba支持GPU的加速模塊庫 115
6.1.3 Blaze大數據優化模塊庫 115
6.1.4 Pyston加速模塊 116
6.1.5 PyPy加速模塊 116
6.1.6 Cython 116
6.1.7 其他優化技巧 117
6.2 網頁信息抓取 117
6.2.1 Requests人性化的網絡模塊 118
6.2.2 Scrapy網頁爬蟲框架 118
6.2.3 Beautiful Soup 4 119
6.3 其他工具模塊 120
6.3.1 Logging日志模塊 120
6.3.2 Debug調試工具 121
6.3.3 re正則表達式 121
6.3.4 并行編程 122
6.4 網絡輔助資源 123
6.5 arrow優雅簡潔的時間模塊庫 125
6.5.1 案例2-2，arrow入門案例 126
6.5.2 創建arrow時間對象 128
6.5.3 創建時間戳 128
6.5.4 arrow屬性 129
6.5.5 replace替換和shift位移 130
6.5.6 format格式化參數 130
6.5.7 時間轉換 131
6.5.8 短命令 131
6.5.9 人性化 131
6.5.10 范圍和跨度 132
6.5.11 工廠模式 133
6.5.12 Tokens特殊字符 133
第7章 網絡足彩數據抓取 135
7.1 500彩票網站數據接口的優勢 135
7.1.1 案例7-1抓取賠率數據網頁 136
7.1.2 網頁數據實戰操作技巧 139
7.2 網頁解析的心靈雞湯 141
7.2.1 BS4四大要素三缺一 142
7.2.2 Tag標簽對象 142
7.2.3 案例7-2 Tag標簽對象 142
7.2.4 案例7-3 Tag標簽對象數據類型 145
7.2.5 NavigableString導航字符串 149
7.2.6 BeautifulSoup復合對象 149
7.2.7 Comment注釋對象 150
7.2.8 案例7-4 bs4常用查找功能 150
7.2.9 BS4節點遍歷功能 154
7.3 足彩基本數據抓取 155
7.3.1 案例7-5 分析網頁比賽數據 155
7.3.2 案例7-6 提取網頁比賽數據 157
7.3.3 gid比賽基本數據結構 159
7.3.4 案例7-7 提取比賽得分 161
7.3.5 案例7-8 提取球隊id編碼 164
7.3.6 案例7-9 抓取歷年比賽數據 167
7.3.7 案例7-10 流程圖工具與Python 171
7.3.8 實盤技巧 172
7.3.9 案例7-11 進程池并發運行 174
7.4 批量抓取足彩網頁數據實盤教程 177
7.4.1 案例7-12 批量抓取賠率數據 177
7.4.2 fb_gid_getExt擴展網頁下載函數 178
7.4.3 bars節點數據包與pools彩票池 178
7.4.4 抓取擴展網頁 180
7.5 足彩賠率數據抓取 181
7.5.1 gid與賠率數據網頁 181
7.5.2 案例7-13 提取賠率數據 184
7.5.3 賠率數據與結構化數據 186
7.5.4 瀑布流數據網頁與小數據理論 189
第8章 足彩數據回溯測試 191
8.1 TFB系統構成 192
8.1.1 TFB系統模塊結構 192
8.1.2 Top-Base通用基礎模塊庫 192
8.1.3 Top-Football極寬足彩專業模塊庫 193
8.2 實盤數據更新 194
8.2.1 案例8-1 實盤數據更新 194
8.2.2 實盤要點：冗余 195
8.2.3 實盤要點：耐心 196
8.2.4 實盤要點：數據文件 197
8.2.5 main_get函數 197
8.3 變量初始化 199
8.3.1 全局變量與類定義 201
8.3.2 彩票池內存數據庫 202
8.3.3 內存數據庫＆數據包 204
8.4 回溯測試 205
8.4.1 案例8-3 回溯 206
8.4.2 main_bt回溯主入口 207
8.4.3 案例8-4 實盤回溯 209
8.4.4 彩票池與統計池 211
8.4.5 poolTrd下單交易數據 212
8.4.6 poolRet回報記錄數據 213
8.4.7 實盤足彩推薦分析 214
8.4.8 實盤回報分析 214
8.4.9 全數據分析與足彩數據集 215
8.5 bt_main回溯主函數 216
8.5.1 bt_1dayMain單天回溯分析 218
8.5.2 賠率數據合并函數 219
8.5.3 單天回溯分析函數 220
8.5.4 單日回報分析 221
8.5.5 單場比賽分析 223
8.6 sta01策略的大數據分析 224
8.6.1 一號策略函數 226
8.6.2 超過100%的盈利策略與秘訣 227
8.6.3 統計分析 228
8.6.4 回溯時間測試 229
8.6.5 bt_main_ret總回報分析 230
第9章 參數智能尋優 232
9.1 一元參數尋優 233
9.1.1 一號策略參數尋優 233
9.1.2 一元測試函數 234
9.1.3 測試結果數據格式 236
9.1.4 案例9-2 一元參數圖表分析 237
9.2 策略函數擴展 241
9.2.1 擴展一號策略函數 241
9.2.2 案例9-3 一號擴展策略 242
9.2.3 案例9-4 sta10策略 244
9.3 二元參數尋優 246
9.3.1 案例9-5 sta10參數尋優 246
9.3.2 案例9-6 二元參數圖表分析 248
9.4 策略310準多因子策略 252
9.4.1 案例9-7 數據預處理 254
9.4.2 案例9-8 策略310參數尋優 257
9.4.3 案例9-9 策略310圖表分析 259
9.4.4 案例9-10 策略310 264
第10章 Python人工智能入門與實踐 266
10.1 從忘卻開始入門 266
10.2 Iris（愛麗絲） 269
10.2.1 案例10-1：經典愛麗絲 270
10.2.2 案例10-2：愛麗絲進化與矢量化文本 272
10.3 AI標準流程 273
10.3.1 機器學習與測試數據集合 274
10.3.2 機器學習運行流程 274
10.3.3 經典機器學習算法 275
10.3.4 黑箱大法 275
10.3.5 數據切割函數 276
10.3.6 案例10-3：愛麗絲分解 277
10.3.7 案例10-4：線性回歸算法 281
第11章 機器學習經典算法案例（上） 286
11.1 線性回歸 286
11.2 邏輯回歸算法 293
11.3 樸素貝葉斯算法 296
11.4 KNN近鄰算法 299
11.5 隨機森林算法 302
第12章 機器學習經典算法案例（下） 308
12.1 決策樹算法 308
12.2 GBDT迭代決策樹算法 311
12.3 SVM向量機 313
12.4 SVM-cross向量機交叉算法 316
12.5 神經網絡算法 318
12.5.1 經典神經網絡算法 318
12.5.2 Sklearn神經網絡算法 320
12.5.3 人工智能學習路線圖 320
12.5.4 案例12-5：MLP神經網絡算法 321
12.5.5 案例12-6：MLP_reg神經網絡回歸算法 323
第13章 機器學習組合算法 326
13.1 CCPP數據集 326
13.1.1 案例13-1：CCPP數據集 327
13.1.2 案例13-2CCPP數據切割 328
13.1.3 數據切割函數 330
13.1.4 案例13-3 讀取CCPP數據集 331
13.1.5 數據讀取函數 333
13.2 機器學習統一接口函數 334
13.2.1 案例13-4 機器學習統一接口 334
13.2.2 統一接口函數 336
13.2.3 機器學習算法代碼 338
13.2.4 效果評估函數 339
13.2.5 常用評測指標 340
13.3 批量調用機器學習算法 341
13.3.1 案例13-5 批量調用 341
13.3.2 批量調用算法模型 344
13.4 一體化調用 345
13.4.1 案例13-6 一體化調用 345
13.4.2 一體化調用函數 346
13.5 模型預制與保存 348
13.5.1 案例13-7 儲存算法模型 348
13.5.2 模型保存函數 350
13.5.3 模型預測函數 350
13.5.4 案例13-8批量儲存算法模型 351
13.5.5 批量模型儲存函數 353
13.5.6 案例13-9 批量加載算法模型 353
13.6 機器學習組合算法 357
13.6.1 案例13-10 機器學習組合算法 357
13.6.2 機器學習組合算法函數 359
第14章 足彩機器學習模型構建 361
14.1 數據整理 361
14.1.1 案例14-1 賠率數據合成 362
14.1.2 案例14-2 按年切割賠率數據 365
14.1.3 案例14-3 累計切割賠率數據 365
14.2 年度足彩賠率模型 366
14.2.1 案例14-4 年度2016足彩賠率模型組 367
14.2.2 案例14-5 年度多字段足彩賠率模型組 370
14.3 累計足彩賠率模型 373
14.3.1 案例14-6 累計2016足彩賠率模型組 373
14.3.2 案例14-7 累計多字段足彩賠率模型組 376
14.3.3 足彩算法模型文件 379
第15章 足彩機器學習模型驗證 381
15.1 年度賠率模型驗證 381
15.1.1 案例15-1 年度賠率模型驗證 381
15.1.2 案例15-2 多字段年度賠率模型驗證 383
15.2 累計賠率模型驗證 385
15.2.1 案例15-3 累計賠率模型驗證 385
15.2.2 案例15-4 多字段累計賠率模型驗證 386
15.3 年度組合模型驗證 388
15.3.1 案例15-5 年度組合模型驗證 388
15.3.2 案例15-6 多字段年度組合模型驗證 391
15.3.3 案例15-7 全字段年度組合模型驗證 391
15.3.4 測試數據對比分析 392
15.4 累計組合模型驗證 393
15.4.1 案例15-8 年度組合模型驗證 393
15.4.2 案例15-9 多字段年度組合模型驗證 394
15.4.3 測試數據對比分析 394
第16章 結果數據分析 397
16.1 神秘的df9 397
16.1.1 案例16-1 調試模式 397
16.1.2 神秘的df9 400
16.2 盈利率分析 402
16.2.1 案例16-2 盈利率計算 402
第17章 機器學習足彩實盤分析 407
17.1 回溯主入口 408
17.1.1 案例17-1 策略sta01 409
17.1.2 結果文件解讀 409
17.1.3 數據字段分析 411
17.2 機器學習與回溯分析 412
17.2.1 案例17-2 log回歸策略足彩分析 414
17.2.2 log回歸策略函數 415
17.2.3 案例17-3 30天log回歸策略足彩分析 418
17.2.4 數據字段分析 420
17.2.5 足彩推薦 421
17.3 進一步深入 421
附錄A Sklearn常用模塊和函數 423 |
| 序： |
