Python機器學習與量化投資 ( 簡體 字) |
作者:何海群 | 類別:1. -> 程式設計 -> Python 2. -> 程式設計 -> 機器學習 |
譯者: |
出版社:電子工業出版社 | 3dWoo書號: 50464 詢問書籍請說出此書號!【缺書】 NT售價: 395 元 |
出版日:12/1/2018 |
頁數:300 |
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:9787121352102 |
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:本書特色 本書全程采用黑箱模式和MBA 案例模式,結合大量經典案例,介紹sklearn 機器學習模塊庫和常用的機器學習算法,懂Excel 就能看懂本書;逆向式課件模式,結合大量案例、圖表,層層剖析;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。 本書是《零起點Python 機器學習快速入門》的后續之作,為了節省篇幅,省略了Python 基礎教程,以及sklearn 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》,再閱讀本書,這樣會收到事半功倍的效果。 本書簡單實用,書中配備大量的圖表說明,本書特點如下。 IT 零起點:無須任何電腦編程基礎,只要會打字、會使用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對股票數據進行專業分析和量化投資分析。 投資零起點:無須購買任何專業軟件,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 “開箱即用”模式,綠色版本,無須安裝,解壓縮后即可直接運行系統。 理財零起點:采用通俗易懂的語言,配合大量專業的圖表和實盤操作案例,無須任何專業金融背景,輕松掌握各種量化投資策略。 數學零起點:全書沒有任何復雜的數學公式,只有最基本的加、減、乘、除,輕輕松松就能看懂全書。 網絡資源 本書的案例程序,已經做過優化處理,無須GPU 顯卡,全部支持單CPU 平臺,不過為避免版本沖突,請盡量使用zwPython2017m6 版本運行 本書的案例程序。 使用其他運行環境的讀者,如Linux、Mac 平臺的用戶,請盡量使用Python 3 版本,自行安裝其他所需的模塊庫,如Numpy、Pandas、Tushare等第三方模塊庫。 此外需要注意的是,大家運行本書案例得到的結果可能與書中略有差別;甚至多次運行同一案例,結果都有所差異。這屬于正常情況,因為很多機器學習函數,內部使用了隨機數作為種子數,用于系統變量初始化等操作,每次分析的起點或者中間參數會有所不同。版本沖突是開源項目常見的問題,為了解決這個問題,本書的源碼是獨立保存的。 此外,我們還特意設計了zwPython 教學版。建議初學者先使用zwPython 教學版,有關的課件程序,已經經過版本兼容測試,并且集成了zwDat 金融數據集。 本書的讀者QQ 互動群:QQ 1 群的群號;QQ 2 群的群號;QQ 3 群的群號。資源下載地址:TopQuant 極寬量化網站“資源中心”。請瀏覽以下網站,獲取最新的網絡資源地址: TopQuant.vip 極寬量化社區 字王網站 目前兩個網站的指向都是一樣的。 另外還可以在博文視點網站下載。 目錄設置 為運行本書課件程序,用戶需要下載以下三個軟件,并設置好目錄:zwPython,必須放在根目錄,是Python 開發平臺,為避免版本沖突,請盡量使用zwPython2017m6 版本。kb_demo,本書sklearn 機器學習配套課件源碼。pg_demo,本書Python 入門學習配套課件源碼。 以上軟件、程序最好保存在固態硬盤,這樣速度會快很多;目錄名稱不要使用中文名稱,壓縮文件當中的中文名稱只是為了便于用戶下載。zwPython 開發平臺必須放在根目錄,課件程序可以放在其他自定義目錄,建議放在zwPython 目錄下面,作為二級目錄。 致謝 特別感謝電子工業出版社的黃愛萍和陳林編輯在選題策劃和稿件整理方面所做的大量工作。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、邢夢來、孫勵、王碩幾位成員,為TOP 極寬開源量化文庫和開源軟件編寫文檔,以及在團隊成員管理方面做了大量工作,對他們的付出表示感謝。
何海群(字王) TOP 極寬量化開源組發起人 2018 年10 月1 日 |
內容簡介:本書采用生動活潑的語言,從入門者的角度,講解了Python 語言和sklearn 模塊庫內置的各種經典機器學習算法;介紹了股市外匯、比特幣等實盤交易數據在金融量化方面的具體分析與應用,包括對未來股票價格的預測、大盤指數趨勢分析等。簡單風趣的實際案例讓廣大讀者能夠快速掌握機器學習在量化分析方面的編程,為進一步學習金融科技奠定扎實的基礎。 |
目錄:第1 章 Python 與機器學習...... 1 1.1 scikit-learn 模塊庫........ 2 1.1.1 scikit-learn 的缺點. 3 1.1.2 scikit-learn 算法模塊......... 4 1.1.3 scikit-learn 六大功能......... 5 1.2 開發環境搭建...... 8 1.2.1 AI 領域的標準編程語言:Python 8 1.2.2 zwPython:難度降低90%,性能提高10 倍.. 9 1.2.3 “零對象”編程模式........ 11 1.2.4 開發平臺搭建...... 12 1.2.5 程序目錄結構...... 12 案例1-1:重點模塊版本測試.... 13 1.3 機器學習:從忘卻開始....... 17 1.4 學習路線圖........ 20 第2 章 機器學習編程入門..... 21 2.1 經典機器學習算法..... 21 2.2 經典愛麗絲........ 22 案例2-1:經典愛麗絲.... 24 案例2-2:愛麗絲進化與文本矢量化.. 26 2.3 機器學習算法流程..... 28 2.4 機器學習數據集......... 28 案例2-3:愛麗絲分解.... 29 2.5 數據切割函數.... 33 2.6 線性回歸算法.... 34 案例2-4:愛麗絲回歸.... 35 第3 章 金融數據的預處理..... 40 3.1 至簡歸一法........ 40 案例3-1:麻煩的外匯數據........ 41 案例3-2:尷尬的日元.... 45 案例3-3:兇殘的比特幣 49 3.2 股票池與Rebase......... 51 3.2.1 股票池........ 51 3.2.2 Rebase 與歸一化.. 52 案例3-4:股票池Rebase 歸一化........ 53 3.3 金融數據切割.... 57 案例3-5:當上證遇到機器學習 58 3.4 preprocessing 模塊..... 63 案例3-6:比特幣與標準化........ 65 案例3-7:比特幣與歸一化........ 69 第4 章 機器學習快速入門..... 72 4.1 回歸算法. 72 4.2 LR 線性回歸模型....... 73 案例4-1:上證指數之LR 回歸事件... 76 4.3 常用評測指標.... 81 4.4 多項式回歸........ 83 案例4-2:上證指數的多項式故事...... 83 案例4-3:預測比特幣價格........ 86 4.5 邏輯回歸算法模型..... 87 案例4-4:上證指數預測邏輯回歸版.. 88 第5 章 模型驗證優化..... 96 5.1 交叉驗證評估器......... 96 案例5-1:交叉驗證........ 98 5.2 交叉驗證評分.. 101 案例5-2:交叉驗證評分 101 第6 章 決策樹.... 103 6.1 決策樹算法...... 103 6.1.1 ID3 算法與C4.5 算法... 105 6.1.2 常用決策樹算法 106 6.1.3 sklearn 內置決策樹算法 107 6.2 決策樹回歸函數....... 109 案例6-1:決策樹回歸算法...... 110 6.3 決策樹分類函數....... 115 案例6-2:決策樹分類算法...... 116 6.4 GBDT 算法...... 121 6.5 迭代決策樹函數....... 122 案例6-3:GBDT 回歸算法...... 123 案例6-4:GBDT 分類算法...... 128 第7 章 隨機森林算法和極端隨機樹算法 133 7.1 隨機森林函數.. 135 7.2 決策樹測試框架....... 137 案例7-1:RF 回歸算法大測試 138 7.3 決策樹測試函數....... 140 案例7-2:上證的RF 回歸頻道......... 142 案例7-3:當比特幣碰到RF 回歸算法......... 146 案例7-4:上證和RF 分類算法......... 147 7.4 極端隨機樹算法....... 150 7.5 極端隨機樹函數....... 151 案例7-5:極端隨機樹回歸算法........ 152 案例7-6:上證指數案例應用.. 154 案例7-7:ET、比特幣,誰更極端... 155 第8 章 機器學習算法模式... 159 8.1 學習模式. 161 8.2 機器學習五大流派... 164 8.3 經典機器學習算法... 165 8.4 小結........ 166 第9 章 概率編程 167 9.1 樸素貝葉斯的上證之旅..... 168 案例9-1:上證樸素貝葉斯算法........ 170 9.2 隱馬爾可夫模型....... 175 案例9-2:HMM 模型與模型保存..... 176 案例9-3:HMM 算法與模型讀取..... 180 第10 章 實例算法......... 185 K 最近鄰算法 186 案例10-1:第一次驚喜——KNN 算法......... 187 案例10-2:KNN 分類.. 190 第11 章 正則化算法..... 192 11.1 嶺回歸算法.... 193 案例11-1:新高度——嶺回歸算法... 195 11.2 套索回歸算法 197 案例11-2:套索回歸算法應用 199 11.3 彈性網絡算法 201 案例11-3:彈性網絡算法應用 202 11.4 最小角回歸算法..... 204 案例11-4:LARS 算法應用..... 204 第12 章 聚類分析......... 206 12.1 K 均值算法.... 207 案例12-1:K 均值算法應用.... 208 12.2 BIRCH 算法... 210 案例12-2:BIRCH 算法應用... 211 12.3 小結...... 213 第13 章 降維算法......... 215 13.1 主成分分析.... 216 案例13-1:主成分分析的應用 218 案例13-2:PCA 算法的上證戲法..... 223 13.2 奇異值分解算法..... 227 案例13-3:奇異果傳說:SVD 228 第14 章 集成算法......... 229 14.1 sklearn 內置集成算法....... 231 14.2 裝袋算法......... 232 案例14-1:裝袋回歸算法........ 232 案例14-2:裝袋分類算法........ 234 14.3 AdaBoost 迭代算法. 236 案例14-3:AdaBoost 迭代回歸算法. 237 案例14-4:AdaBoost 迭代分類算法. 239 第15 章 支持向量機..... 242 15.1 支持向量機算法..... 242 15.2 SVM 函數接口........ 244 案例15-1:SVM 回歸算法...... 245 案例15-2:SVM 分類算法...... 247 第16 章 人工神經網絡算法. 250 16.1 多層感知器.... 252 案例16-1:多層感知器回歸算法...... 253 案例16-2:多層感知器分類算法...... 256 附錄A sklearn 常用模塊和函數..... 259 附錄B 量化分析常用指標.... 284 |
序: |