零起點TensorFlow與量化交易 ( 簡體 字) |
| 作者：何海群 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 48780
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：3/1/2018 |
| 頁數：464 |
| 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：9787121335846 |
| 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：推 薦 序
AlphaGo與柯潔的黑白大戰，因為對陣的一方是中國頂級圍棋高手柯潔，所以引起國人的高度關注。利用百度搜索引擎輸入AlphaGo，一度可以得出7000多萬條搜索結果，這遠遠高于其他熱門詞條。
事實上，AlphaGo只是Google擁有的兩套人工智能系統中的一套。它是Google 2014年收購的DeepMind的人工智能系統，專注于棋賽開發。Google的另外一套人工智能系統就是本書介紹的TensorFlow系統。
在TensorFlow等人工智能系統出現之前，計算機所做的事情往往是簡單重復的。計算機會按照人類編好的既定程序，簡單重復、按部就班地運行，沒有超越人類事先為其設定的思維邊界。
計算機與人類的大腦相比，根本的區別在于不具備學習和創新能力。
計算機頂多也就是記憶的信息多，重復計算的速度快，不受情緒的影響等。但是，在TensorFlow等人工智能系統出現之后，計算機所做的事情除簡單重復運行之外，更重要的是其具備了一定的自我學習和創新能力。
TensorFlow等人工智能系統使得計算機在一定程度上能夠自主學習，自我提高，總結過去的經驗，汲取以往的教訓，具備一定的創新性。這一點在AlphaGo與柯潔對壘的3場棋局的結果中不難看出。
這正是以AlphaGo和TensorFlow為代表的人工智能系統區別于以往任何計算機技術的關鍵所在，也是TensorFlow被稱為互聯網以來唯一的“黑科技”項目的原因。
具備了一定的自我學習和創造能力的人工智能系統的出現，將對經濟系統的各個領域產生重大影響。筆者有著超過20年境內外金融行業從業經歷，將從一個側面分享人工智能對金融領域的影響。
從整個金融業的歷史沿革來看，這大致經歷了4個階段：純人工階段、單機電腦階段、互聯網（含移動互聯網）階段和人工智能階段。
隨著每個階段的漸次演進，提供金融服務一方的人力成本投入在逐漸減少，提供金融服務的效率在提高；對于接受金融服務的一方來說，金融服務的可獲得性，以及便捷程度在逐漸增加，金融服務越來越圍繞著人進行，以人為中心的全方位的社會經濟服務體系正在形成。
在金融服務體系中，銀行服務、證券服務、保險服務等的內部界限開始變得模糊，金融服務與其他非金融的社會經濟服務之間的界限開始變得不清。
特別是金融業進入人工智能階段之后，人工智能系統將接受金融服務一方的身份特征數據、交易數據和行為數據等大數據，進行實時分析和動態跟蹤，以遠低于人工成本的成本，為每個人建立一個基于生命周期的綜合金融模型，對每個人未來的金融行為進行預測，自動為他們提供賬戶資金管理、貨幣兌換、證券買賣、保險購買、購房購車計劃、旅行休閑、子女教育、養老規劃等方面的金融建議和授權代理操作，并將模型預測結果與實際情況相比對，自主學習和修正模型，以便更加貼合接受金融服務一方的真實金融意圖，使得人工智能模型的預測建議和人的實際金融行為無限接近。
由此人類將從日常繁雜的各種金融交易中解放出來，投身到更需要自己或自己更感興趣的方面。
展望未來，人工智能的應用前景無限美好；探尋當下，人工智能在世界各地的各行各業方興未艾。
千里之行，始于足下。何海群先生的《零起點TensorFlow與量化交易》是有志于人工智能領域的IT人士的一塊敲門磚和鋪路石。
祝愿人工智能在華夏大地生根發芽，開花結果。
梁 忠
梁忠：中國人民大學財政金融系博士，曾任里昂證券CLSA分析員；瑞銀證券UBSS董事，財富管理中國研究部主管；瑞士信貸（香港）有限公司中國研究部董事；瑞信方正證券執行董事，研究部主管，具有20年國際頂級金融機構從業經歷。
前 言
感謝梁忠先生在百忙之中為本書撰寫序言。以TensorFlow為代表的神經網絡，被視為自互聯網以來唯一的“黑科技”，無遠弗屆，無分行業領域，對社會各界從上至下帶來徹底的顛覆與革命。
梁忠先生作為非IT領域的學者、專家，從第三方角度，冷靜地觀察這場數字革命，同時向更多的大眾介紹這場革命的火花，推動行業變革，功莫大焉。
隨著類似于Titanic數據集案例、梵高畫風等一系列，基于TensorFlow等神經網絡、深度學習項目的不斷涌現，未來的各個學科都會結合人工智能（AI），進行新的學術重組。
“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）
? 《零起點機器學習與量化交易》（重點分析SKLearn）
? 《零起點TensorFlow與量化交易》（重點分析TensorFlow）
此外，還有幾部補充作品：
? 《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》
? 《零起點TensorFlow快速入門》
? 《MXNet神經網絡與量化交易》
? 《Plotly可視化數據分析》
本書是《零起點TensorFlow快速入門》的后續之作，原本是TopQuant.vip極寬量化培訓課程高級班的教學課件，為了節省篇幅，刪除了Python基礎教程，以及SKLearn、TensorFlow等機器學習方面的入門內容。沒有經驗的讀者，建議先閱讀《零起點Python機器學習快速入門》《零起點TensorFlow快速入門》，再開始本書的學習，這樣會收到事半功倍的效果。
本書是目前較好的TensorFlow神經網絡與量化分析入門教程：
? 無需任何理論基礎，全程采用MBA案例模式，懂Excel就可看懂本書。
? 獨創的逆向式課件模式，結合TensorBoard可視化系統，案例、圖表優先，層層剖析。
? 系統介紹TensorFlow在金融量化領域的具體應用，提供多組配套案例。
? 全套神經網絡股票趨勢預測、股票價格預測案例源碼。
? TDS金融數據集的創建與使用。
? 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。
本書采用獨創的黑箱模式、MBA案例教學機制，結合大量的經典案例，介紹TensorFlow系統和常用的深度學習算法、神經網絡模型，以及它們在量化分析當中的具體應用。
進一步學習
讀者如有興趣可以進一步學習“Python量化三部曲”的內容，以及《零起點Python足彩大數據與機器學習實盤分析》。
機器學習、人工智能、金融量化，它們的基本原理是相通的，本質上都是數據分析。對于“Python量化三部曲”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。
Python量化回溯與TensorFlow、PyTorch、MXNet等神經網絡深度學習平臺，都是近年來興起的科技前沿領域，有關的理論、平臺、工具目前還處于摸索階段。“Python量化三部曲”圖書和TopQuant.vip極寬智能量化系統，只是在這些領域的起步階段，作為入門教程，拋磚引玉。
本書中的案例、程序以教學為主，進行了很多簡化，以便大家能夠快速理解相關內容，用最短的時間，了解Python量化回溯的整個流程，以及數據分析、機器學習、神經網絡在這些領域的應用操作技巧。
神經網絡、深度學習在量化實盤當中的應用，是目前全世界都在研究的頂尖課題，當前尚未有很好的模型與應用案例。
本書僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch、MXNet等新一代深度學習平臺來獲得。
最重要的是，還有待廣大的一線實盤操作人員結合專業的金融操盤經驗，與各種神經網絡模型融會貫通，構建更加符合金融量化實際應用的神經網絡模型，從而獲得更好的投資回報。
|
內容簡介：本書是國內較早關于TensorFlow大數據與量化交易的原創圖書，配合zwPython開發平臺和zwQuant開源量化軟件學習，是一套完整的大數據分析、量化交易的學習教材，可直接用于實盤交易。本書有三大特色：第一，以實盤個案分析為主，全程配有Python代碼；第二，包含大量的圖文案例和Python源碼，無須專業編程基礎，懂Excel即可開始學習；第三，配有專業的zwPython集成開發平臺、zwQuant量化軟件和zwDat數據包。 |
目錄：第1章 TensorFlow概述 1
1.1 TensorFlow要點概括 2
1.2 TensorFlow簡化接口 2
1.3 Keras簡介 3
1.4 運行環境模塊的安裝 4
1.4.1 CUDA運行環境的安裝 4
案例1-1：重點模塊版本測試 5
案例1-2：GPU開發環境測試 8
1.4.2 GPU平臺運行結果 9
第2章 無數據不量化（上） 12
2.1 金融數據源 13
2.1.1 TopDat金融數據集 14
2.1.2 量化分析與試錯成本 15
2.2 OHLC金融數據格式 16
案例2-1：金融數據格式 17
2.3 K線圖 18
案例2-2：繪制金融數據K線圖 19
2.4 Tick數據格式 22
案例2-3：Tick數據格式 23
2.4.1 Tick數據與分時數據轉換 25
案例2-4：分時數據 25
2.4.2 resample函數 26
2.4.3 分時數據 26
2.5 離線金融數據集 29
案例2-5：TopDat金融數據集的日線數據 29
案例2-6：TopDat金融數據集的Tick數據 31
2.6 TopDown金融數據下載 33
案例2-7：更新單一A股日線數據 34
案例2-8：批量更新A股日線數據 37
2.6.1 Tick數據與分時數據 40
案例2-9：更新單一A股分時數據 40
案例2-10：批量更新分時數據 43
2.6.2 Tick數據與實時數據 45
案例2-11：更新單一實時數據 45
案例2-12：更新全部實時數據 48
第3章 無數據不量化（下） 51
3.1 均值優先 51
案例3-1：均值計算與價格曲線圖 52
3.2 多因子策略和泛因子策略 54
3.2.1 多因子策略 54
3.2.2 泛因子策略 55
案例3-2：均線因子 55
3.3 “25日神定律” 59
案例3-3：時間因子 61
案例3-4：分時時間因子 63
3.4 TA-Lib金融指標 66
3.5 TQ智能量化回溯系統 70
3.6 全內存計算 70
案例3-5：增強版指數索引 71
案例3-6：AI版索引數據庫 73
3.7 股票池 77
案例3-7：股票池的使用 77
3.8 TQ_bar全局變量類 81
案例3-8：TQ_bar初始化 82
案例3-9：TQ版本日線數據 85
3.9 大盤指數 87
案例3-10：指數日線數據 88
案例3-11：TQ版本指數K線圖 89
案例3-12：個股和指數曲線對照圖 92
3.10 TDS金融數據集 96
案例3-13：TDS衍生數據 98
案例3-14：TDS金融數據集的制作 102
案例3-15：TDS金融數據集2.0 105
案例3-16：讀取TDS金融數據集 108
第4章 人工智能與趨勢預測 112
4.1 TFLearn簡化接口 112
4.2 人工智能與統計關聯度分析 113
4.3 關聯分析函數corr 113
4.3.1 Pearson相關系數 114
4.3.2 Spearman相關系數 114
4.3.3 Kendall相關系數 115
4.4 open（開盤價）關聯性分析 115
案例4-1：open關聯性分析 115
4.5 數值預測與趨勢預測 118
4.5.1 數值預測 119
4.5.2 趨勢預測 120
案例4-2：ROC計算 120
案例4-3：ROC與交易數據分類 123
4.6 n+1大盤指數預測 128
4.6.1 線性回歸模型 128
案例4-4：上證指數n+1的開盤價預測 129
案例4-5：預測數據評估 133
4.6.2 效果評估函數 136
4.6.3 常用的評測指標 138
4.7 n+1大盤指數趨勢預測 139
案例4-6：漲跌趨勢歸一化分類 140
案例4-7：經典版漲跌趨勢歸一化分類 143
4.8 One-Hot 145
案例4-8：One-Hot格式 146
4.9 DNN模型 149
案例4-9：DNN趨勢預測 150
第5章 單層神經網絡預測股價 156
5.1 Keras簡化接口 156
5.2 單層神經網絡 158
案例5-1：單層神經網絡模型 158
5.3 神經網絡常用模塊 168
案例5-2：可視化神經網絡模型 170
案例5-3：模型讀寫 174
案例5-4：參數調優入門 177
第6章 MLP與股價預測 182
6.1 MLP 182
案例6-1：MLP價格預測模型 183
6.2 神經網絡模型應用四大環節 189
案例6-2：MLP模型評估 190
案例6-3：優化MLP價格預測模型 194
案例6-4：優化版MLP模型評估 197
第7章 RNN與趨勢預測 200
7.1 RNN 200
7.2 IRNN與趨勢預測 201
案例7-1：RNN趨勢預測模型 201
案例7-2：RNN模型評估 209
案例7-3：RNN趨勢預測模型2 211
案例7-4：RNN模型2評估 214
第8章 LSTM與量化分析 217
8.1 LSTM模型 217
8.1.1 數值預測 218
案例8-1：LSTM價格預測模型 219
案例8-2：LSTM價格預測模型評估 226
8.1.2 趨勢預測 230
案例8-3：LSTM股價趨勢預測模型 231
案例8-4：LSTM趨勢模型評估 239
8.2 LSTM量化回溯分析 242
8.2.1 構建模型 243
案例8-5：構建模型 243
8.2.2 數據整理 251
案例8-6：數據整理 251
8.2.3 回溯分析 262
案例8-7：回溯分析 262
8.2.4 專業回報分析 268
案例8-8：量化交易回報分析 268
8.3 完整的LSTM量化分析程序 279
案例8-9：LSTM量化分析程序 280
8.3.1 數據整理 280
8.3.2 量化回溯 284
8.3.3 回報分析 285
8.3.4 專業回報分析 288
第9章 日線數據回溯分析 293
9.1 數據整理 293
案例9-1：數據更新 294
案例9-2：數據整理 296
9.2 回溯分析 307
9.2.1 回溯主函數 307
9.2.2 交易信號 308
9.3 交易接口函數 309
案例9-3：回溯分析 309
案例9-4：多模式回溯分析 316
第10章 Tick數據回溯分析 318
10.1 ffn金融模塊庫 318
案例10-1：ffn功能演示 318
案例10-2：量化交易回報分析 330
案例10-3：完整的量化分析程序 343
10.2 Tick分時數據量化分析 357
案例10-4：Tick分時量化分析程序 357
總結 371
附錄A TensorFlow 1.1函數接口變化 372
附錄B 神經網絡常用算法模型 377
附錄C 機器學習常用算法模型 414 |
| 序： |
