Python機器學習與量化投資

定　價：￥79.00

作　者：	何海群
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥79.00)

ISBN：	9787121352102	出版時間：	2018-12-01	包裝：
開本：	16開	頁數(shù)：	300	字數(shù)：

內(nèi)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(nèi)置的各種經(jīng)典機器學習算法；介紹了股市外匯、比特幣等實盤交易數(shù)據(jù)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(shù)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。

作者簡介

　　何海群，網(wǎng)名：字王，CHRD前海智庫CTO，《中華大字庫》發(fā)明人，20年人工智能從業(yè)經(jīng)驗；zwPython開發(fā)平臺、TopQuant.vip極寬量化系統(tǒng)設計師，中國“Python創(chuàng)客”項目發(fā)起人，國內(nèi)Python量化項目的啟蒙者和開拓者：《Python量化實盤？魔鬼訓練營》，TOP極寬量化開源團隊的創(chuàng)始人。研究成果有：BigQuant理論架構：Python量化+數(shù)字貨幣+人工智能；“小數(shù)據(jù)”理論，GPU超算工作站、MTRD多節(jié)點超算集群算法、“1+N”網(wǎng)絡傳播模型、人工智能“足彩圖靈法則”等；論文《人工智能與中文字型設計》是中文字庫行業(yè)三大基礎建模理論之一。

圖書目錄

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(fā)環(huán)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(fā)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(jīng)典機器學習算法．．．．． 21
2．2 經(jīng)典愛麗絲．．．．．．．． 22
案例2-1：經(jīng)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(shù)據(jù)集．．．．．．．．． 28
案例2-3：愛麗絲分解．．．． 29
2．5 數(shù)據(jù)切割函數(shù)．．．． 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(shù)據(jù)的預處理．．．．． 40
3．1 至簡歸一法．．．．．．．． 40
案例3-1：麻煩的外匯數(shù)據(jù)．．．．．．．． 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(shù)據(jù)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(shù)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(shù)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(shù)預測邏輯回歸版．． 88
第5 章模型驗證優(yōu)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(nèi)置決策樹算法 107
6．2 決策樹回歸函數(shù)．．．．．．． 109
案例6-1：決策樹回歸算法．．．．．． 110
6．3 決策樹分類函數(shù)．．．．．．． 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(shù)．．．．．．． 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(shù)．． 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(shù)．．．．．．． 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(shù)．．．．．．． 151
案例7-5：極端隨機樹回歸算法．．．．．．．． 152
案例7-6：上證指數(shù)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(jīng)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?。?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(wǎng)絡算法 201
案例11-3：彈性網(wǎng)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(nèi)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(shù)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(jīng)網(wǎng)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(shù)．．．．． 259
附錄B 量化分析常用指標．．．． 284