內容簡介
用科學方法玩金融：Python智慧量化交易
內容簡介
◆採用黑箱模式和MBA 案例模式，結合大量經典案例，
◆介紹 sklearn 機器學習模組函數庫和常用的機器學習演算法，在金融領域的應用
◆懂 Excel 就能看懂本書
本書採用生動活潑的語言，從入門者的角度，講解Python 語言和sklearn 模組庫內置的各種經典機器學習演算法；介紹股市外匯、比特幣等實盤交易資料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讀者能夠快速掌握機器學習在量化分析方面的程式設計，為進一步學習金融科技奠定扎實的基礎。
懂 Excel 就能看懂本書，逆向式教材模式，結合大量案例、圖表，層層剖析，系統說明逐步深入。
本書特色
簡單實用，配合大量的圖表說明。
◎IT零起點：無須任何電腦程式設計基礎，只要會打字、會使用Excel，就能看懂本書。
◎投資零起點：無須購買任何專業軟體，配套zwPython 套裝軟體。
◎配置零起點：所有軟體、資料全部採用「開箱即用」模式，解壓縮即後可直接執行。
◎理財零起點：採用通俗易懂的語言，配合大量專業的圖表和實盤操作案例。
◎數學零起點：全書沒有複雜的數學公式，輕輕鬆松就能看懂全書。
內容簡介
◆採用黑箱模式和MBA 案例模式，結合大量經典案例，
◆介紹 sklearn 機器學習模組函數庫和常用的機器學習演算法，在金融領域的應用
◆懂 Excel 就能看懂本書
本書採用生動活潑的語言，從入門者的角度，講解Python 語言和sklearn 模組庫內置的各種經典機器學習演算法；介紹股市外匯、比特幣等實盤交易資料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讀者能夠快速掌握機器學習在量化分析方面的程式設計，為進一步學習金融科技奠定扎實的基礎。
懂 Excel 就能看懂本書，逆向式教材模式，結合大量案例、圖表，層層剖析，系統說明逐步深入。
本書特色
簡單實用，配合大量的圖表說明。
◎IT零起點：無須任何電腦程式設計基礎，只要會打字、會使用Excel，就能看懂本書。
◎投資零起點：無須購買任何專業軟體，配套zwPython 套裝軟體。
◎配置零起點：所有軟體、資料全部採用「開箱即用」模式，解壓縮即後可直接執行。
◎理財零起點：採用通俗易懂的語言，配合大量專業的圖表和實盤操作案例。
◎數學零起點：全書沒有複雜的數學公式，輕輕鬆松就能看懂全書。
作者簡介
作者簡介
何海群
網名：字王，CHRD前海智庫CTO，《中華大字庫》發明人。
20年人工智慧從業經驗；zwPython開發平台、TopQuant.vip極寬量化系統設計師，中國「Python創客」專案發起人， Python量化專案的啟蒙者和開拓者： TOP極寬量化開源團隊的創始人。
研究成果有：BigQuant理論架構：Python量化+數位貨幣+人工智慧；「小數據」理論， MTRD多節點超算集群演算法、「1+N」網路傳播模型、人工智慧「足彩圖靈法則」等；論文《人工智慧與中文字型設計》是中文字形檔三大基礎建模理論之一。
何海群
網名：字王，CHRD前海智庫CTO，《中華大字庫》發明人。
20年人工智慧從業經驗；zwPython開發平台、TopQuant.vip極寬量化系統設計師，中國「Python創客」專案發起人， Python量化專案的啟蒙者和開拓者： TOP極寬量化開源團隊的創始人。
研究成果有：BigQuant理論架構：Python量化+數位貨幣+人工智慧；「小數據」理論， MTRD多節點超算集群演算法、「1+N」網路傳播模型、人工智慧「足彩圖靈法則」等；論文《人工智慧與中文字型設計》是中文字形檔三大基礎建模理論之一。
內容目錄
目錄
01 Python 與機器學習
1.1 scikit-learn 模組函數庫
1.2 開發環境架設
1.3 機器學習：從忘卻開始
1.4 學習路線圖
02 機器學習程式設計入門
2.1 經典機器學習演算法
2.2 經典鳶尾花
2.3 機器學習演算法流程
2.4 機器學習資料集
2.5 資料切割函數
2.6 線性回歸演算法
03 金融資料的前置處理
3.1 至簡歸一法
3.2 股票池與Rebase
3.3 金融資料切割
3.4 preprocessing 模組
04 機器學習快速入門
4.1 回歸演算法
4.2 LR 線性回歸模型
4.3 常用評測指標
4.4 多項式回歸
4.5 邏輯回歸演算法模型
05 模型驗證最佳化
5.1 交換驗證評估器
5.2 交換驗證評分
06 決策樹
6.1 決策樹演算法
6.2 決策樹回歸函數
6.3 決策樹分類函數
6.4 GBDT 演算法
6.5 反覆運算決策樹函數
07 隨機森林演算法和極端隨機樹演算法
7.1 隨機森林函數
7.2 決策樹測試架構
7.3 決策樹測試函數
7.4 極端隨機樹演算法
7.5 極端隨機樹函數
08 機器學習演算法模式
8.1 學習模式
8.2 機器學習五大流派
8.3 經典機器學習演算法
8.4 小結
09 機率程式設計
9.1 單純貝氏的上證之旅
9.2 隱藏馬可夫模型
10 實例演算法
11 正規化演算法
11.1 嶺回歸演算法
11.2 最小絕對值收斂和選擇算子回歸演算法
11.3 彈性網路演算法
11.4 最小角回歸演算法
12 分群分析
12.1 K 平均值演算法
12.2 BIRCH 演算法
12.3 小結
13 降維演算法
13.1 主成分分析
13.2 奇異值分解演算法
14 整合演算法
14.1 sklearn 內建整合演算法
14.2 裝袋演算法
14.3 AdaBoost 反覆運算演算法
15 支援向量機
15.1 支援向量機演算法
15.2 SVM 函數介面
16 類神經網路演算法
A sklearn 常用模組和函數
B 量化分析常用指標
01 Python 與機器學習
1.1 scikit-learn 模組函數庫
1.2 開發環境架設
1.3 機器學習：從忘卻開始
1.4 學習路線圖
02 機器學習程式設計入門
2.1 經典機器學習演算法
2.2 經典鳶尾花
2.3 機器學習演算法流程
2.4 機器學習資料集
2.5 資料切割函數
2.6 線性回歸演算法
03 金融資料的前置處理
3.1 至簡歸一法
3.2 股票池與Rebase
3.3 金融資料切割
3.4 preprocessing 模組
04 機器學習快速入門
4.1 回歸演算法
4.2 LR 線性回歸模型
4.3 常用評測指標
4.4 多項式回歸
4.5 邏輯回歸演算法模型
05 模型驗證最佳化
5.1 交換驗證評估器
5.2 交換驗證評分
06 決策樹
6.1 決策樹演算法
6.2 決策樹回歸函數
6.3 決策樹分類函數
6.4 GBDT 演算法
6.5 反覆運算決策樹函數
07 隨機森林演算法和極端隨機樹演算法
7.1 隨機森林函數
7.2 決策樹測試架構
7.3 決策樹測試函數
7.4 極端隨機樹演算法
7.5 極端隨機樹函數
08 機器學習演算法模式
8.1 學習模式
8.2 機器學習五大流派
8.3 經典機器學習演算法
8.4 小結
09 機率程式設計
9.1 單純貝氏的上證之旅
9.2 隱藏馬可夫模型
10 實例演算法
11 正規化演算法
11.1 嶺回歸演算法
11.2 最小絕對值收斂和選擇算子回歸演算法
11.3 彈性網路演算法
11.4 最小角回歸演算法
12 分群分析
12.1 K 平均值演算法
12.2 BIRCH 演算法
12.3 小結
13 降維演算法
13.1 主成分分析
13.2 奇異值分解演算法
14 整合演算法
14.1 sklearn 內建整合演算法
14.2 裝袋演算法
14.3 AdaBoost 反覆運算演算法
15 支援向量機
15.1 支援向量機演算法
15.2 SVM 函數介面
16 類神經網路演算法
A sklearn 常用模組和函數
B 量化分析常用指標
ISBN: 9789869772631