书籍详情
人工智能在量化交易中的应用与实战
作者：王征，李晓波 著
出版社：中国铁道出版社
出版时间：2019-07-01
ISBN：9787113257842
定价：¥79.00
购买这本书可以去
内容简介
本书首先讲解人工智能的基础知识，即什么是人工智能，为什么要学习人工智能，什么是智能，智能类型，人工智能的研究与应用领域，为什么使用Python 来开发人工智能，利用量化交易平台编写Python 程序，人工智能的发展历史；然后讲解Python 编程基础和人工智能的三个重要的包，即Numpy 包、Pandas 包和Matplotlib 包；接着讲解5 种机器学习算法，即决策树、随机森林、支持向量机（SVM）、朴素贝叶斯和人工智能的神经网络；然后讲解Python 量化交易策略的编写、获取数据函数、Python 基本面量化选股、Python 量化择时的技术指标函数、Python 量化交易策略的回测技巧、Python 量化交易策略的机器学习方法应用；后讲解Python 量化交易策略的因子分析技巧和Python 量化交易策略实例。 在讲解过程中既考虑读者的学习习惯，又通过具体实例剖析讲解人工智能在量化交易应用中的热点问题、关键问题及种种难题。 本书适用于各种投资者，如股民、期民、中小散户、职业操盘手和专业金融评论人士，更适用于那些有志于在这个充满风险、充满寂寞的征程上默默前行的征战者和屡败屡战、愈挫愈勇并终战胜失败、战胜自我的勇者。
作者简介
李晓波，从事金融衍生品市场交易及管理近20年，有着丰富的经验和体会，对国内外贵金属、外汇、邮币卡、大宗商品及股市等主流交易方式有着深刻的了解，擅长股票、期货、黄金、白银、邮币卡、外汇的培训指导，经常活跃在各大金融讲坛，深为投资者喜爱。可为个人投资者及机构提供分析、投资咨询，交易指导，理财培训等多方位的专业服务。
目录
第1章 人工智能快速入门 / 1
1.1 初识人工智能 / 2
1.1.1 什么是人工智能 / 2
1.1.2 为什么要学习人工智能 / 2
1.2 智能概述 / 4
1.2.1 智能类型 / 4
1.2.2 智能的组成 / 6
1.3 人工智能的研究与应用领域 / 8
1.3.1 专家系统 / 8
1.3.2 自然语言理解 / 9
1.3.3 机器学习 / 9
1.3.4 机器定理证明 / 10
1.3.5 自动程序设计 / 11
1.3.6 分布式人工智能 / 12
1.3.7 机器人学 / 13
1.3.8 模式识别 / 14
1.3.9 人机博弈 / 14
1.3.10 计算机视觉 / 15
1.3.11 软计算 / 15
1.3.12 智能控制 / 16
1.3.13 智能规划 / 17
1.4 人工智能的开发语言 / 18
1.4.1 为什么使用Python来开发人工智能 / 18
1.4.2 Python的下载和安装 / 18
1.4.3 Python程序的编写 / 21
1.4.4 利用量化交易平台编写Python程序 / 24
1.5 人工智能的发展历史 / 27
1.5.1 计算机时代 / 27
1.5.2 大量程序 / 28
1.5.3 强弱人工智能 / 29
第2章 Python 编程基础 / 31
2.1 Python的基本数据类型 / 32
2.1.1 数值类型 / 32
2.1.2 字符串 / 34
2.2 变量与赋值 / 37
2.2.1 变量命名规则 / 37
2.2.2 变量的赋值 / 38
2.3 Python的基本运算 / 39
2.3.1 算术运算 / 39
2.3.2 赋值运算 / 41
2.3.3 位运算 / 42
2.4 Python的选择结构 / 43
2.4.1 关系运算 / 43
2.4.2 逻辑运算 / 45
2.4.3 if 语句 / 46
2.4.4 嵌套 if 语句 / 48
2.5 Python的循环结构 / 49
2.5.1 while循环 / 50
2.5.2 while 循环使用else语句 / 51
2.5.3 无限循环 / 51
2.5.4 for循环 / 52
2.5.5 在for循环中使用range()函数 / 53
2.5.6 break语句 / 54
2.5.7 continue语句 / 55
2.5.8 pass语句 / 56
2.6 Python的特征数据类型 / 57
2.6.1 列表 / 57
2.6.2 元组 / 61
2.6.3 字典 / 63
2.6.4 集合 / 64
2.7 Python的函数 / 67
2.7.1 函数的定义与调用 / 67
2.7.2 参数传递 / 69
2.7.3 匿名函数 / 71
2.7.4 变量作用域 / 72
2.8 Python的面向对象 / 73
2.8.1 面向对象概念 / 73
2.8.2 类与实例 / 74
2.8.3 模块的引用 / 77
2.9 Python的代码格式 / 78
2.9.1 代码缩进 / 78
2.9.2 代码注释 / 79
2.9.3 空行 / 79
2.9.4 同一行显示多条语句 / 79
第3章 人工智能的Numpy 包 / 81
3.1 初识Numpy包 / 82
3.2 ndarray数组基础 / 82
3.2.1 创建Numpy数组 / 83
3.2.2 Numpy特殊数组 / 86
3.2.3 Numpy序列数组 / 90
3.2.4 Numpy数组索引 / 91
3.2.5 Numpy数组运算 / 92
3.2.6 Numpy数组复制 / 93
3.3 Numpy的矩阵 / 94
3.4 Numpy的线性代数 / 96
3.4.1 两个数组的点积 / 96
3.4.2 两个向量的点积 / 97
3.4.3 一维数组的向量内积 / 97
3.4.4 矩阵的行列式 / 98
3.4.5 矩阵的逆 / 100
3.5 Numpy的文件操作 / 101
第4章 人工智能的Pandas 包 / 105
4.1 Pandas的数据结构 / 106
4.2 一维数组系列（Series） / 106
4.2.1 创建一个空的系列（Series） / 106
4.2.2 从ndarray创建一个系列（Series） / 107
4.2.3 从字典创建一个系列（Series） / 109
4.2.4 从有位置的系列（Series）中访问数据 / 109
4.2.5 使用标签检索数据 / 110
4.3 二维数组DataFrame / 111
4.3.1 创建DataFrame / 111
4.3.2 数据的查看 / 112
4.3.3 数据的选择 / 116
4.3.4 数据的处理 / 122
4.4 三维数组Panel / 124
第5章 人工智能的Matplotlib 包 / 127
5.1 Matplotlib包的优点 / 128
5.2 figure()函数的应用 / 128
5.2.1 figure()函数的各参数意义 / 128
5.2.2 figure()函数的实例 / 129
5.3 plot()函数的应用 / 131
5.3.1 plot()函数的各参数意义 / 131
5.3.2 plot()函数的实例 / 132
5.4 subplot()函数的应用 / 133
5.4.1 subplot()的各参数意义 / 134
5.4.2 subplot()的实例 / 134
5.5 add_axes方法的应用 / 135
5.6 legend()函数的应用 / 137
5.7 设置字体格式 / 139
5.8 设置线条的宽度和颜色 / 140
5.9 坐标轴网格 / 142
5.10 绘制柱状图 / 143
5.11 绘制色图和等高线图 / 144
5.12 绘制立体三维图形 / 146
第6章 决策树和随机森林 / 151
6.1 决策树 / 152
6.1.1 什么是决策树 / 152
6.1.2 决策树的组成 / 153
6.1.3 决策树的优点 / 153
6.1.4 决策树的缺点 / 154
6.1.5 决策树的构造 / 154
6.1.6 纯度判断方法 / 155
6.1.7 决策树的剪枝 / 162
6.1.8 利用Python代码实现决策树 / 163
6.2 随机森林 / 167
6.2.1 随机森林的构建 / 167
6.2.2 随机森林的优缺点 / 168
6.2.3 随机森林的应用范围 / 168
6.2.4 利用Python代码实现随机森林 / 169
第7章 支持向量机（SVM）和朴素贝叶斯 / 173
7.1 支持向量机（SVM） / 174
7.1.1 什么是支持向量机（SVM） / 174
7.1.2 支持向量机（SVM）的工作原理 / 174
7.1.3 核函数 / 175
7.1.4 支持向量机(SVM)的优点 / 177
7.1.5 支持向量机(SVM)的缺点 / 177
7.1.6 利用Python代码实现支持向量机(SVM) / 177
7.2 朴素贝叶斯 / 182
7.2.1 什么是朴素贝叶斯 / 182
7.2.2 朴素贝叶斯的算法思想 / 182
7.2.3 朴素贝叶斯的算法步骤 / 183
7.2.4 朴素贝叶斯的优缺点 / 184
7.2.5 利用Python代码实现高斯朴素贝叶斯 / 184
7.2.6 利用Python代码实现多项式分布朴素贝叶斯 / 187
7.2.7 利用Python代码实现伯努力朴素贝叶斯 / 188
第8章 人工智能的神经网络 / 191
8.1 初识人工神经网络 / 192
8.1.1 什么是人工神经网络 / 192
8.1.2 大脑中的神经元细胞和神经元细胞网络 / 192
8.1.3 人工神经网络的基本特征 / 193
8.1.4 人工神经网络的特点 / 195
8.2 人工神经网络的算法 / 195
8.3 神经网络库Pybrain / 197
8.3.1 神经网络的创建 / 197
8.3.2 神经网络的数据集定义 / 201
8.3.3 训练神经网络 / 202
8.3.4 循环神经网络 / 204
8.4 人工神经网络实例 / 205
第9章 Python 量化交易策略的编写 / 209
9.1 Python量化交易策略的组成 / 210
9.1.1 初始化函数（initialize） / 211
9.1.2 开盘前运行函数（before_market_open） / 212
9.1.3 开盘时运行函数（market_open） / 213
9.1.4 收盘后运行函数（after_market_close） / 214
9.2 Python量化交易策略的设置函数 / 214
9.2.1 设置基准函数 / 215
9.2.2 设置佣金/印花税函数 / 215
9.2.3 设置滑点函数 / 217
9.2.4 设置动态复权（真实价格）模式函数 / 217
9.2.5 设置成交量比例函数 / 218
9.2.6 设置是否开启盘口撮合模式函数 / 218
9.2.7 设置要操作的股票池函数 / 218
9.3 Python量化交易策略的定时函数 / 219
9.3.1 定时函数的定义及分类 / 219
9.3.2 定时函数各项参数的意义 / 219
9.3.3 定时函数的注意事项 / 220
9.3.4 定时函数的实例 / 221
9.4 Python量化交易策略的下单函数 / 222
9.4.1 按股数下单函数 / 222
9.4.2 目标股数下单函数 / 223
9.4.3 按价值下单函数 / 223
9.4.4 目标价值下单函数 / 224
9.4.5 撤单函数 / 224
9.4.6 获取未完成订单函数 / 225
9.4.7 获取订单信息函数 / 225
9.4.8 获取成交信息函数 / 226
9.5 Python量化交易策略的日志log / 226
9.5.1 设定log级别 / 226
9.5.2 log.info / 227
9.6 Python量化交易策略的常用对象 / 227
9.6.1 Order对象 / 227
9.6.2 全局对象g / 228
9.6.3 Trade对象 / 229
9.6.4 tick对象 / 229
9.6.5 Context对象 / 230
9.6.6 Position对象 / 231
9.6.7 SubPortfolio对象 / 232
9.6.8 Portfolio对象 / 233
9.6.9 SecurityUnitData对象 / 233
第10章 Python 量化交易策略的获取数据函数 / 235
10.1 获取股票数据的history()函数 / 236
10.1.1 各项参数的意义 / 236
10.1.2 history()函数的应用实例 / 238
10.2 获取一只股票数据的attribute_history ()函数 / 241
10.3 查询一个交易日股票财务数据的get_fundamentals ()函数 / 242
10.3.1 各项参数的意义 / 242
10.3.2 get_fundamentals ()函数的应用实例 / 243
10.4 查询股票财务数据的get_fundamentals_continuously ()函数 / 249
10.5 获取股票特别数据的get_current_data ()函数 / 250
10.6 获取指数成分股代码的get_index_stocks ()函数 / 251
10.6.1 各项参数的意义 / 251
10.6.2 get_index_stocks ()函数的应用实例 / 252
10.7 获取行业成分股代码的get_industry_stocks()函数 / 253
10.8 获取概念成本股代码的get_concept_stocks ()函数 / 255
10.9 获取所有数据信息的get_all_securities()函数 / 256
10.9.1 各项参数的意义 / 256
10.9.2 get_all_securities()函数的应用实例 / 257
10.10 获取一只股票信息的get_security_info ()函数 / 259
10.11 获取龙虎榜数据的get_billboard_list ()函数 / 260
10.11.1 各项参数的意义 / 260
10.11.2 get_billboard_list()函数的应用实例 / 261
10.12 获取限售解禁数据的get_locked_shares ()函数 / 262
第11章 Python 基本面量化选股 / 265
11.1 初识量化选股 / 266
11.2 成长类因子选股 / 266
11.2.1 营业收入同比增长率选股 / 266
11.2.2 营业收入环比增长率选股 / 268
11.2.3 净利润同比增长率选股 / 269
11.2.4 净利润环比增长率选股 / 270
11.2.5 营业利润率选股 / 271
11.2.6 销售净利率选股 / 272
11.2.7 销售毛利率选股 / 273
11.3 规模类因子选股 / 274
11.3.1 总市值选股 / 274
11.3.2 流通市
1.1 初识人工智能 / 2
1.1.1 什么是人工智能 / 2
1.1.2 为什么要学习人工智能 / 2
1.2 智能概述 / 4
1.2.1 智能类型 / 4
1.2.2 智能的组成 / 6
1.3 人工智能的研究与应用领域 / 8
1.3.1 专家系统 / 8
1.3.2 自然语言理解 / 9
1.3.3 机器学习 / 9
1.3.4 机器定理证明 / 10
1.3.5 自动程序设计 / 11
1.3.6 分布式人工智能 / 12
1.3.7 机器人学 / 13
1.3.8 模式识别 / 14
1.3.9 人机博弈 / 14
1.3.10 计算机视觉 / 15
1.3.11 软计算 / 15
1.3.12 智能控制 / 16
1.3.13 智能规划 / 17
1.4 人工智能的开发语言 / 18
1.4.1 为什么使用Python来开发人工智能 / 18
1.4.2 Python的下载和安装 / 18
1.4.3 Python程序的编写 / 21
1.4.4 利用量化交易平台编写Python程序 / 24
1.5 人工智能的发展历史 / 27
1.5.1 计算机时代 / 27
1.5.2 大量程序 / 28
1.5.3 强弱人工智能 / 29
第2章 Python 编程基础 / 31
2.1 Python的基本数据类型 / 32
2.1.1 数值类型 / 32
2.1.2 字符串 / 34
2.2 变量与赋值 / 37
2.2.1 变量命名规则 / 37
2.2.2 变量的赋值 / 38
2.3 Python的基本运算 / 39
2.3.1 算术运算 / 39
2.3.2 赋值运算 / 41
2.3.3 位运算 / 42
2.4 Python的选择结构 / 43
2.4.1 关系运算 / 43
2.4.2 逻辑运算 / 45
2.4.3 if 语句 / 46
2.4.4 嵌套 if 语句 / 48
2.5 Python的循环结构 / 49
2.5.1 while循环 / 50
2.5.2 while 循环使用else语句 / 51
2.5.3 无限循环 / 51
2.5.4 for循环 / 52
2.5.5 在for循环中使用range()函数 / 53
2.5.6 break语句 / 54
2.5.7 continue语句 / 55
2.5.8 pass语句 / 56
2.6 Python的特征数据类型 / 57
2.6.1 列表 / 57
2.6.2 元组 / 61
2.6.3 字典 / 63
2.6.4 集合 / 64
2.7 Python的函数 / 67
2.7.1 函数的定义与调用 / 67
2.7.2 参数传递 / 69
2.7.3 匿名函数 / 71
2.7.4 变量作用域 / 72
2.8 Python的面向对象 / 73
2.8.1 面向对象概念 / 73
2.8.2 类与实例 / 74
2.8.3 模块的引用 / 77
2.9 Python的代码格式 / 78
2.9.1 代码缩进 / 78
2.9.2 代码注释 / 79
2.9.3 空行 / 79
2.9.4 同一行显示多条语句 / 79
第3章 人工智能的Numpy 包 / 81
3.1 初识Numpy包 / 82
3.2 ndarray数组基础 / 82
3.2.1 创建Numpy数组 / 83
3.2.2 Numpy特殊数组 / 86
3.2.3 Numpy序列数组 / 90
3.2.4 Numpy数组索引 / 91
3.2.5 Numpy数组运算 / 92
3.2.6 Numpy数组复制 / 93
3.3 Numpy的矩阵 / 94
3.4 Numpy的线性代数 / 96
3.4.1 两个数组的点积 / 96
3.4.2 两个向量的点积 / 97
3.4.3 一维数组的向量内积 / 97
3.4.4 矩阵的行列式 / 98
3.4.5 矩阵的逆 / 100
3.5 Numpy的文件操作 / 101
第4章 人工智能的Pandas 包 / 105
4.1 Pandas的数据结构 / 106
4.2 一维数组系列（Series） / 106
4.2.1 创建一个空的系列（Series） / 106
4.2.2 从ndarray创建一个系列（Series） / 107
4.2.3 从字典创建一个系列（Series） / 109
4.2.4 从有位置的系列（Series）中访问数据 / 109
4.2.5 使用标签检索数据 / 110
4.3 二维数组DataFrame / 111
4.3.1 创建DataFrame / 111
4.3.2 数据的查看 / 112
4.3.3 数据的选择 / 116
4.3.4 数据的处理 / 122
4.4 三维数组Panel / 124
第5章 人工智能的Matplotlib 包 / 127
5.1 Matplotlib包的优点 / 128
5.2 figure()函数的应用 / 128
5.2.1 figure()函数的各参数意义 / 128
5.2.2 figure()函数的实例 / 129
5.3 plot()函数的应用 / 131
5.3.1 plot()函数的各参数意义 / 131
5.3.2 plot()函数的实例 / 132
5.4 subplot()函数的应用 / 133
5.4.1 subplot()的各参数意义 / 134
5.4.2 subplot()的实例 / 134
5.5 add_axes方法的应用 / 135
5.6 legend()函数的应用 / 137
5.7 设置字体格式 / 139
5.8 设置线条的宽度和颜色 / 140
5.9 坐标轴网格 / 142
5.10 绘制柱状图 / 143
5.11 绘制色图和等高线图 / 144
5.12 绘制立体三维图形 / 146
第6章 决策树和随机森林 / 151
6.1 决策树 / 152
6.1.1 什么是决策树 / 152
6.1.2 决策树的组成 / 153
6.1.3 决策树的优点 / 153
6.1.4 决策树的缺点 / 154
6.1.5 决策树的构造 / 154
6.1.6 纯度判断方法 / 155
6.1.7 决策树的剪枝 / 162
6.1.8 利用Python代码实现决策树 / 163
6.2 随机森林 / 167
6.2.1 随机森林的构建 / 167
6.2.2 随机森林的优缺点 / 168
6.2.3 随机森林的应用范围 / 168
6.2.4 利用Python代码实现随机森林 / 169
第7章 支持向量机（SVM）和朴素贝叶斯 / 173
7.1 支持向量机（SVM） / 174
7.1.1 什么是支持向量机（SVM） / 174
7.1.2 支持向量机（SVM）的工作原理 / 174
7.1.3 核函数 / 175
7.1.4 支持向量机(SVM)的优点 / 177
7.1.5 支持向量机(SVM)的缺点 / 177
7.1.6 利用Python代码实现支持向量机(SVM) / 177
7.2 朴素贝叶斯 / 182
7.2.1 什么是朴素贝叶斯 / 182
7.2.2 朴素贝叶斯的算法思想 / 182
7.2.3 朴素贝叶斯的算法步骤 / 183
7.2.4 朴素贝叶斯的优缺点 / 184
7.2.5 利用Python代码实现高斯朴素贝叶斯 / 184
7.2.6 利用Python代码实现多项式分布朴素贝叶斯 / 187
7.2.7 利用Python代码实现伯努力朴素贝叶斯 / 188
第8章 人工智能的神经网络 / 191
8.1 初识人工神经网络 / 192
8.1.1 什么是人工神经网络 / 192
8.1.2 大脑中的神经元细胞和神经元细胞网络 / 192
8.1.3 人工神经网络的基本特征 / 193
8.1.4 人工神经网络的特点 / 195
8.2 人工神经网络的算法 / 195
8.3 神经网络库Pybrain / 197
8.3.1 神经网络的创建 / 197
8.3.2 神经网络的数据集定义 / 201
8.3.3 训练神经网络 / 202
8.3.4 循环神经网络 / 204
8.4 人工神经网络实例 / 205
第9章 Python 量化交易策略的编写 / 209
9.1 Python量化交易策略的组成 / 210
9.1.1 初始化函数（initialize） / 211
9.1.2 开盘前运行函数（before_market_open） / 212
9.1.3 开盘时运行函数（market_open） / 213
9.1.4 收盘后运行函数（after_market_close） / 214
9.2 Python量化交易策略的设置函数 / 214
9.2.1 设置基准函数 / 215
9.2.2 设置佣金/印花税函数 / 215
9.2.3 设置滑点函数 / 217
9.2.4 设置动态复权（真实价格）模式函数 / 217
9.2.5 设置成交量比例函数 / 218
9.2.6 设置是否开启盘口撮合模式函数 / 218
9.2.7 设置要操作的股票池函数 / 218
9.3 Python量化交易策略的定时函数 / 219
9.3.1 定时函数的定义及分类 / 219
9.3.2 定时函数各项参数的意义 / 219
9.3.3 定时函数的注意事项 / 220
9.3.4 定时函数的实例 / 221
9.4 Python量化交易策略的下单函数 / 222
9.4.1 按股数下单函数 / 222
9.4.2 目标股数下单函数 / 223
9.4.3 按价值下单函数 / 223
9.4.4 目标价值下单函数 / 224
9.4.5 撤单函数 / 224
9.4.6 获取未完成订单函数 / 225
9.4.7 获取订单信息函数 / 225
9.4.8 获取成交信息函数 / 226
9.5 Python量化交易策略的日志log / 226
9.5.1 设定log级别 / 226
9.5.2 log.info / 227
9.6 Python量化交易策略的常用对象 / 227
9.6.1 Order对象 / 227
9.6.2 全局对象g / 228
9.6.3 Trade对象 / 229
9.6.4 tick对象 / 229
9.6.5 Context对象 / 230
9.6.6 Position对象 / 231
9.6.7 SubPortfolio对象 / 232
9.6.8 Portfolio对象 / 233
9.6.9 SecurityUnitData对象 / 233
第10章 Python 量化交易策略的获取数据函数 / 235
10.1 获取股票数据的history()函数 / 236
10.1.1 各项参数的意义 / 236
10.1.2 history()函数的应用实例 / 238
10.2 获取一只股票数据的attribute_history ()函数 / 241
10.3 查询一个交易日股票财务数据的get_fundamentals ()函数 / 242
10.3.1 各项参数的意义 / 242
10.3.2 get_fundamentals ()函数的应用实例 / 243
10.4 查询股票财务数据的get_fundamentals_continuously ()函数 / 249
10.5 获取股票特别数据的get_current_data ()函数 / 250
10.6 获取指数成分股代码的get_index_stocks ()函数 / 251
10.6.1 各项参数的意义 / 251
10.6.2 get_index_stocks ()函数的应用实例 / 252
10.7 获取行业成分股代码的get_industry_stocks()函数 / 253
10.8 获取概念成本股代码的get_concept_stocks ()函数 / 255
10.9 获取所有数据信息的get_all_securities()函数 / 256
10.9.1 各项参数的意义 / 256
10.9.2 get_all_securities()函数的应用实例 / 257
10.10 获取一只股票信息的get_security_info ()函数 / 259
10.11 获取龙虎榜数据的get_billboard_list ()函数 / 260
10.11.1 各项参数的意义 / 260
10.11.2 get_billboard_list()函数的应用实例 / 261
10.12 获取限售解禁数据的get_locked_shares ()函数 / 262
第11章 Python 基本面量化选股 / 265
11.1 初识量化选股 / 266
11.2 成长类因子选股 / 266
11.2.1 营业收入同比增长率选股 / 266
11.2.2 营业收入环比增长率选股 / 268
11.2.3 净利润同比增长率选股 / 269
11.2.4 净利润环比增长率选股 / 270
11.2.5 营业利润率选股 / 271
11.2.6 销售净利率选股 / 272
11.2.7 销售毛利率选股 / 273
11.3 规模类因子选股 / 274
11.3.1 总市值选股 / 274
11.3.2 流通市
猜您喜欢
