书籍详情
Python机器学习与量化投资
作者：何海群
出版社：电子工业出版社
出版时间：2018-12-01
ISBN：9787121352102
定价：¥79.00
购买这本书可以去
内容简介
本书采用生动活泼的语言，从入门者的角度，讲解了Python 语言和sklearn 模块库内置的各种经典机器学习算法；介绍了股市外汇、比特币等实盘交易数据在金融量化方面的具体分析与应用，包括对未来股票价格的预测、大盘指数趋势分析等。简单风趣的实际案例让广大读者能够快速掌握机器学习在量化分析方面的编程，为进一步学习金融科技奠定扎实的基础。
作者简介
何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，20年人工智能从业经验；zwPython开发平台、TopQuant.vip极宽量化系统设计师，中国“Python创客”项目发起人，国内Python量化项目的启蒙者和开拓者：《Python量化实盘？魔鬼训练营》，TOP极宽量化开源团队的创始人。研究成果有：BigQuant理论架构：Python量化+数字货币+人工智能；“小数据”理论，GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等；论文《人工智能与中文字型设计》是中文字库行业三大基础建模理论之一。
目录
目 录
第1 章 Python 与机器学习．．．．．． 1
1．1 scikit-learn 模块库．．．．．．．． 2
1．1．1 scikit-learn 的缺点． 3
1．1．2 scikit-learn 算法模块．．．．．．．．． 4
1．1．3 scikit-learn 六大功能．．．．．．．．． 5
1．2 开发环境搭建．．．．．． 8
1．2．1 AI 领域的标准编程语言：Python 8
1．2．2 zwPython：难度降低90%，性能提高10 倍．． 9
1．2．3 “零对象”编程模式．．．．．．．． 11
1．2．4 开发平台搭建．．．．．． 12
1．2．5 程序目录结构．．．．．． 12
案例1-1：重点模块版本测试．．．． 13
1．3 机器学习：从忘却开始．．．．．．． 17
1．4 学习路线图．．．．．．．． 20
第2 章 机器学习编程入门．．．．． 21
2．1 经典机器学习算法．．．．． 21
2．2 经典爱丽丝．．．．．．．． 22
案例2-1：经典爱丽丝．．．． 24
案例2-2：爱丽丝进化与文本矢量化．． 26
2．3 机器学习算法流程．．．．． 28
2．4 机器学习数据集．．．．．．．．． 28
案例2-3：爱丽丝分解．．．． 29
2．5 数据切割函数．．．． 33
2．6 线性回归算法．．．． 34
案例2-4：爱丽丝回归．．．． 35
第3 章 金融数据的预处理．．．．． 40
3．1 至简归一法．．．．．．．． 40
案例3-1：麻烦的外汇数据．．．．．．．． 41
案例3-2：尴尬的日元．．．． 45
案例3-3：凶残的比特币 49
3．2 股票池与Rebase．．．．．．．．． 51
3．2．1 股票池．．．．．．．． 51
3．2．2 Rebase 与归一化．． 52
案例3-4：股票池Rebase 归一化．．．．．．．． 53
3．3 金融数据切割．．．． 57
案例3-5：当上证遇到机器学习 58
3．4 preprocessing 模块．．．．． 63
案例3-6：比特币与标准化．．．．．．．． 65
案例3-7：比特币与归一化．．．．．．．． 69
第4 章 机器学习快速入门．．．．． 72
4．1 回归算法． 72
4．2 LR 线性回归模型．．．．．．． 73
案例4-1：上证指数之LR 回归事件．．． 76
4．3 常用评测指标．．．． 81
4．4 多项式回归．．．．．．．． 83
案例4-2：上证指数的多项式故事．．．．．． 83
案例4-3：预测比特币价格．．．．．．．． 86
4．5 逻辑回归算法模型．．．．． 87
案例4-4：上证指数预测逻辑回归版．． 88
第5 章 模型验证优化．．．．． 96
5．1 交叉验证评估器．．．．．．．．． 96
案例5-1：交叉验证．．．．．．．． 98
5．2 交叉验证评分．． 101
案例5-2：交叉验证评分 101
第6 章 决策树．．．． 103
6．1 决策树算法．．．．．． 103
6．1．1 ID3 算法与C4．5 算法．．． 105
6．1．2 常用决策树算法 106
6．1．3 sklearn 内置决策树算法 107
6．2 决策树回归函数．．．．．．． 109
案例6-1：决策树回归算法．．．．．． 110
6．3 决策树分类函数．．．．．．． 115
案例6-2：决策树分类算法．．．．．． 116
6．4 GBDT 算法．．．．．． 121
6．5 迭代决策树函数．．．．．．． 122
案例6-3：GBDT 回归算法．．．．．． 123
案例6-4：GBDT 分类算法．．．．．． 128
第7 章 随机森林算法和极端随机树算法 133
7．1 随机森林函数．． 135
7．2 决策树测试框架．．．．．．． 137
案例7-1：RF 回归算法大测试 138
7．3 决策树测试函数．．．．．．． 140
案例7-2：上证的RF 回归频道．．．．．．．．． 142
案例7-3：当比特币碰到RF 回归算法．．．．．．．．． 146
案例7-4：上证和RF 分类算法．．．．．．．．． 147
7．4 极端随机树算法．．．．．．． 150
7．5 极端随机树函数．．．．．．． 151
案例7-5：极端随机树回归算法．．．．．．．． 152
案例7-6：上证指数案例应用．． 154
案例7-7：ET、比特币，谁更极端．．． 155
第8 章 机器学习算法模式．．． 159
8．1 学习模式． 161
8．2 机器学习五大流派．．． 164
8．3 经典机器学习算法．．． 165
8．4 小结．．．．．．．． 166
第9 章 概率编程 167
9．1 朴素贝叶斯的上证之旅．．．．． 168
案例9-1：上证朴素贝叶斯算法．．．．．．．． 170
9．2 隐马尔可夫模型．．．．．．． 175
案例9-2：HMM 模型与模型保存．．．．． 176
案例9-3：HMM 算法与模型读取．．．．． 180
第10 章 实例算法．．．．．．．．． 185
K 最近邻算法 186
案例10-1：第一次惊喜――KNN 算法．．．．．．．．． 187
案例10-2：KNN 分类．． 190
第11 章 正则化算法．．．．． 192
11．1 岭回归算法．．．． 193
案例11-1：新高度――岭回归算法．．． 195
11．2 套索回归算法 197
案例11-2：套索回归算法应用 199
11．3 弹性网络算法 201
案例11-3：弹性网络算法应用 202
11．4 最小角回归算法．．．．． 204
案例11-4：LARS 算法应用．．．．． 204
第12 章 聚类分析．．．．．．．．． 206
12．1 K 均值算法．．．． 207
案例12-1：K 均值算法应用．．．． 208
12．2 BIRCH 算法．．． 210
案例12-2：BIRCH 算法应用．．． 211
12．3 小结．．．．．． 213
第13 章 降维算法．．．．．．．．． 215
13．1 主成分分析．．．． 216
案例13-1：主成分分析的应用 218
案例13-2：PCA 算法的上证戏法．．．．． 223
13．2 奇异值分解算法．．．．． 227
案例13-3：奇异果传说：SVD 228
第14 章 集成算法．．．．．．．．． 229
14．1 sklearn 内置集成算法．．．．．．． 231
14．2 装袋算法．．．．．．．．． 232
案例14-1：装袋回归算法．．．．．．．． 232
案例14-2：装袋分类算法．．．．．．．． 234
14．3 AdaBoost 迭代算法． 236
案例14-3：AdaBoost 迭代回归算法． 237
案例14-4：AdaBoost 迭代分类算法． 239
第15 章 支持向量机．．．．． 242
15．1 支持向量机算法．．．．． 242
15．2 SVM 函数接口．．．．．．．． 244
案例15-1：SVM 回归算法．．．．．． 245
案例15-2：SVM 分类算法．．．．．． 247
第16 章 人工神经网络算法． 250
16．1 多层感知器．．．． 252
案例16-1：多层感知器回归算法．．．．．． 253
案例16-2：多层感知器分类算法．．．．．． 256
附录A sklearn 常用模块和函数．．．．． 259
附录B 量化分析常用指标．．．． 284
第1 章 Python 与机器学习．．．．．． 1
1．1 scikit-learn 模块库．．．．．．．． 2
1．1．1 scikit-learn 的缺点． 3
1．1．2 scikit-learn 算法模块．．．．．．．．． 4
1．1．3 scikit-learn 六大功能．．．．．．．．． 5
1．2 开发环境搭建．．．．．． 8
1．2．1 AI 领域的标准编程语言：Python 8
1．2．2 zwPython：难度降低90%，性能提高10 倍．． 9
1．2．3 “零对象”编程模式．．．．．．．． 11
1．2．4 开发平台搭建．．．．．． 12
1．2．5 程序目录结构．．．．．． 12
案例1-1：重点模块版本测试．．．． 13
1．3 机器学习：从忘却开始．．．．．．． 17
1．4 学习路线图．．．．．．．． 20
第2 章 机器学习编程入门．．．．． 21
2．1 经典机器学习算法．．．．． 21
2．2 经典爱丽丝．．．．．．．． 22
案例2-1：经典爱丽丝．．．． 24
案例2-2：爱丽丝进化与文本矢量化．． 26
2．3 机器学习算法流程．．．．． 28
2．4 机器学习数据集．．．．．．．．． 28
案例2-3：爱丽丝分解．．．． 29
2．5 数据切割函数．．．． 33
2．6 线性回归算法．．．． 34
案例2-4：爱丽丝回归．．．． 35
第3 章 金融数据的预处理．．．．． 40
3．1 至简归一法．．．．．．．． 40
案例3-1：麻烦的外汇数据．．．．．．．． 41
案例3-2：尴尬的日元．．．． 45
案例3-3：凶残的比特币 49
3．2 股票池与Rebase．．．．．．．．． 51
3．2．1 股票池．．．．．．．． 51
3．2．2 Rebase 与归一化．． 52
案例3-4：股票池Rebase 归一化．．．．．．．． 53
3．3 金融数据切割．．．． 57
案例3-5：当上证遇到机器学习 58
3．4 preprocessing 模块．．．．． 63
案例3-6：比特币与标准化．．．．．．．． 65
案例3-7：比特币与归一化．．．．．．．． 69
第4 章 机器学习快速入门．．．．． 72
4．1 回归算法． 72
4．2 LR 线性回归模型．．．．．．． 73
案例4-1：上证指数之LR 回归事件．．． 76
4．3 常用评测指标．．．． 81
4．4 多项式回归．．．．．．．． 83
案例4-2：上证指数的多项式故事．．．．．． 83
案例4-3：预测比特币价格．．．．．．．． 86
4．5 逻辑回归算法模型．．．．． 87
案例4-4：上证指数预测逻辑回归版．． 88
第5 章 模型验证优化．．．．． 96
5．1 交叉验证评估器．．．．．．．．． 96
案例5-1：交叉验证．．．．．．．． 98
5．2 交叉验证评分．． 101
案例5-2：交叉验证评分 101
第6 章 决策树．．．． 103
6．1 决策树算法．．．．．． 103
6．1．1 ID3 算法与C4．5 算法．．． 105
6．1．2 常用决策树算法 106
6．1．3 sklearn 内置决策树算法 107
6．2 决策树回归函数．．．．．．． 109
案例6-1：决策树回归算法．．．．．． 110
6．3 决策树分类函数．．．．．．． 115
案例6-2：决策树分类算法．．．．．． 116
6．4 GBDT 算法．．．．．． 121
6．5 迭代决策树函数．．．．．．． 122
案例6-3：GBDT 回归算法．．．．．． 123
案例6-4：GBDT 分类算法．．．．．． 128
第7 章 随机森林算法和极端随机树算法 133
7．1 随机森林函数．． 135
7．2 决策树测试框架．．．．．．． 137
案例7-1：RF 回归算法大测试 138
7．3 决策树测试函数．．．．．．． 140
案例7-2：上证的RF 回归频道．．．．．．．．． 142
案例7-3：当比特币碰到RF 回归算法．．．．．．．．． 146
案例7-4：上证和RF 分类算法．．．．．．．．． 147
7．4 极端随机树算法．．．．．．． 150
7．5 极端随机树函数．．．．．．． 151
案例7-5：极端随机树回归算法．．．．．．．． 152
案例7-6：上证指数案例应用．． 154
案例7-7：ET、比特币，谁更极端．．． 155
第8 章 机器学习算法模式．．． 159
8．1 学习模式． 161
8．2 机器学习五大流派．．． 164
8．3 经典机器学习算法．．． 165
8．4 小结．．．．．．．． 166
第9 章 概率编程 167
9．1 朴素贝叶斯的上证之旅．．．．． 168
案例9-1：上证朴素贝叶斯算法．．．．．．．． 170
9．2 隐马尔可夫模型．．．．．．． 175
案例9-2：HMM 模型与模型保存．．．．． 176
案例9-3：HMM 算法与模型读取．．．．． 180
第10 章 实例算法．．．．．．．．． 185
K 最近邻算法 186
案例10-1：第一次惊喜――KNN 算法．．．．．．．．． 187
案例10-2：KNN 分类．． 190
第11 章 正则化算法．．．．． 192
11．1 岭回归算法．．．． 193
案例11-1：新高度――岭回归算法．．． 195
11．2 套索回归算法 197
案例11-2：套索回归算法应用 199
11．3 弹性网络算法 201
案例11-3：弹性网络算法应用 202
11．4 最小角回归算法．．．．． 204
案例11-4：LARS 算法应用．．．．． 204
第12 章 聚类分析．．．．．．．．． 206
12．1 K 均值算法．．．． 207
案例12-1：K 均值算法应用．．．． 208
12．2 BIRCH 算法．．． 210
案例12-2：BIRCH 算法应用．．． 211
12．3 小结．．．．．． 213
第13 章 降维算法．．．．．．．．． 215
13．1 主成分分析．．．． 216
案例13-1：主成分分析的应用 218
案例13-2：PCA 算法的上证戏法．．．．． 223
13．2 奇异值分解算法．．．．． 227
案例13-3：奇异果传说：SVD 228
第14 章 集成算法．．．．．．．．． 229
14．1 sklearn 内置集成算法．．．．．．． 231
14．2 装袋算法．．．．．．．．． 232
案例14-1：装袋回归算法．．．．．．．． 232
案例14-2：装袋分类算法．．．．．．．． 234
14．3 AdaBoost 迭代算法． 236
案例14-3：AdaBoost 迭代回归算法． 237
案例14-4：AdaBoost 迭代分类算法． 239
第15 章 支持向量机．．．．． 242
15．1 支持向量机算法．．．．． 242
15．2 SVM 函数接口．．．．．．．． 244
案例15-1：SVM 回归算法．．．．．． 245
案例15-2：SVM 分类算法．．．．．． 247
第16 章 人工神经网络算法． 250
16．1 多层感知器．．．． 252
案例16-1：多层感知器回归算法．．．．．． 253
案例16-2：多层感知器分类算法．．．．．． 256
附录A sklearn 常用模块和函数．．．．． 259
附录B 量化分析常用指标．．．． 284
猜您喜欢
