-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

利用機器學習開發算法交易系統

( 簡體 字)
作者:[韓]安明浩類別:1. -> 程式設計 -> 機器學習
譯者:
出版社:人民郵電出版社利用機器學習開發算法交易系統 3dWoo書號: 51163
詢問書籍請說出此書號!

缺書
NT售價: 245

出版日:5/1/2019
頁數:171
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:9787115504043
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

內容簡介:

本書介紹了機器學習必要的統計與概率方面的數學理論,以及適用機器學習的領域相關的領域知識,同時收錄了實現代碼。利用機器學習編寫程序時,機器學習算法所占的比重并不大,重要的是理解數據并掌握特性。在此過程中,如果具備統計與概率相關的數學知識和機器學習應用領域的專業知識,則能大大節約時間,并簡化問題。經過這些過程的機器學習才能獲得良好的應用效果。
目錄:

第 一部分
第 1 章 機器學習 1
1.1 機器 習定義 1
1.2 機器學習的優缺點 3
1.2.1 機器學習的優點 3
1.2.2 機器學習的缺點 4
1.3 機器學習的種類 4
1.3.1 監督學習 5
1.3.2 無監督學習 6
1.4 機器學習能做的事情 7
1.4.1 回歸 8
1.4.2 分類 10
1.4.3 聚類 12
1.5 機器學習算法 13
1.5.1 回歸 14
1.5.2 分類 15
1.5.3 聚類 15
1.6 機器學習的過程 16
1.6.1 第 一次預處理 16
1.6.2 訓練數據集 17
1.6.3 第二次預處理 17
目 錄
xvi 利用機器學習開發算法交易系統
1.6.4 機器學習算法學習 17
1.6.5 參數優化 17
1.6.6 后期處理 17
1.6.7 最終模型 18
1.7 “沒有免費的午餐”定理 18
第二部分
第 2 章 統計 21
2.1 統計的定義 21
2.2 統計在機器學習中的重要性 22
2.3 統計的基本概念和術語 23
2.3.1 總體和樣本 23
2.3.2 參數和統計量 24
2.3.3 抽樣誤差 25
2.3.4 因變量和自變量 26
2.3.5 連續變量和離散變量 26
2.3.6 模型 27
2.4 準備事項 28
2.5 數據下載 29
2.6 數據加載 31
2.7 基礎統計 31
2.7.1 標準差 32
目 錄 xvii
2.7.2 四分位數 36
2.7.3 直方圖 37
2.7.4 正態分布 40
2.7.5 散點圖 41
2.7.6 箱形圖 44
第3 章 時間序列數據 49
3.1 時間序列數據 50
3.2 時間序列數據分析 51
3.3 時間序列數據的主要特征 52
3.4 隨機過程 54
3.5 平穩時間序列數據 55
3.6 隨機過程中的期望值、方差和協方差 57
3.7 相關 59
3.8 自協方差 61
3.9 自相關 62
3.10 隨機游走 66
第二部分
第4 章 算法交易 69
4.1 算法交易簡介 69
xviii 利用機器學習開發算法交易系統
4.2 算法交易歷史上的那些人 72
4.2.1 愛德華·索普 72
4.2.2 詹姆斯·哈里斯·西蒙斯 74
4.2.3 肯尼斯·格里芬 76
4.3 算法交易模型 77
4.4 均值回歸模型 79
4.4.1 均值回歸檢驗 80
4.4.2 實現均值回歸模型 86
4.5 機器學習模型 89
4.5.1 特征選擇 90
4.5.2 是價格還是方向 91
4.6 分類模型 92
4.6.1 邏輯斯蒂回歸 92
4.6.2 決策樹和隨機森林 94
4.6.3 支持向量機 96
4.7 實現機器學習模型 97
4.7.1 數據集 98
4.7.2 拆分數據集 100
4.7.3 生成股價走勢預測變量 101
4.7.4 股價走勢預測變量的運行和評價 102
4.8 時間衰減效應 106
目 錄 xix
第5 章 實現算法交易系統 109
5.1 普通算法交易系統的構成 109
5.2 實現系統的概要 111
5.3 開發環境 113
5.4 數據爬蟲實現 113
5.4.1 收集股票代碼 114
5.4.2 收集股價數據 118
5.5 實現α 模型 121
5.5.1 均值回歸模型 122
5.5.2 機器學習模型 124
5.6 投資組合生成器 125
5.6.1 均值回歸模型的股票選擇 126
5.6.2 機器學習模型的股票選擇 130
5.7 實現Trader 類 136
第6 章 性能評價與優化 137
6.1 算法交易系統的性能測試 138
6.1.1 評價系統的獲利能力 138
6.1.2 比較各實現模型 138
6.1.3 對系統的信心 139
6.2 回溯檢驗 140
6.2.1 Profit/Loss 檢驗 140
xx 利用機器學習開發算法交易系統
6.2.2 Hit Batio 141
6.2.3 Drawdown 143
6.2.4 Sharpe Ratio 145
6.3 機器學習性能測試 147
6.3.1 混淆矩陣 148
6.3.2 Classification Report 150
6.3.3 ROC 152
6.4 實時交易監控 158
6.5 參數優化 159
6.6 超參數優化 160
6.6.1 網格搜索 161
6.6.2 隨機搜索 164
6.7 “黑天鵝” 167
后記 171
序: