人工智能
类型
6.1
豆瓣评分
可以朗读
语音朗读
135千字
字数
2020-01-01
发行日期
展开全部
主编推荐语
本书利用Python技术教授人工智能、神经网络、机器学习等技术模型开发，适合不同层次用户学习。
内容简介
本书是一本利用Python技术，结合人工智能、神经网络和机器学习、遗传算法等互联网技术进行相应行业模型开发的技术图书。本书第1～4章主要讲解了利用Python软件分析模型开发的入门知识，包括开发工具的使用、测试技术难点等内容；第5～7章主要讲解了利用人工智能中的神经网络技术进行技术研发，利用数据挖掘技术完善行业技术模型的数据加载与分析等内容；第8～9章主要讲解了利用大数据进行技术配置和风险控制等内容；第10～11章主要讲解了利用机器学习与遗传算法进行相应模型开发等内容。全书内容专业，案例丰富翔实，是作者多年来利用开发软件和人工智能结合进行相关领域软件开发与探索的最佳结晶。本书不仅适合想利用Python进行软件开发的用户，也适合有一定经验但想深入掌握人工智能、机器学习技术进行行业应用的用户使用，还可以作为机构培训的优秀教材。
目录
- 封面
- 版权
- 推荐序一
- 推荐序二
- 推荐序三
- 目录
- 第1章 量化投资入门
- 1.1 量化投资概述
- 1.2 量化投资与传统投资的比较
- 1.2.1 两种投资策略简介
- 1.2.2 量化投资相对于传统投资的主要优势
- 1.3 量化投资的国外发展现状及国内投资市场未来展望
- 1.3.1 量化金融和理论的建立过程
- 1.3.2 国外量化投资基金的发展历史
- 1.3.3 国内量化投资基金的发展历史
- 1.3.4 国内投资市场的未来展望
- 1.4 突发汇率、加息、商誉的应对方法
- 1.4.1 突发汇率变化和加息的应对方法
- 1.4.2 面对商誉减值的应对方法
- 第2章 量化投资策略的设计思路
- 2.1 量化投资策略的研发流程
- 2.2 量化投资策略的可行性研究
- 2.3 量化平台常用语言——Python
- 2.3.1 Python简介
- 2.3.2 量化基础语法及数据结构
- 2.3.3 量化中函数的定义及使用方法
- 2.3.4 面向对象编程OOP的定义及使用方法
- 2.3.5 itertools的使用方法
- 2.4 量化投资工具——Matplotlib
- 2.4.1 Matplotlib基础知识
- 2.4.2 Matplotlib可视化工具基础
- 2.4.3 Matplotlib子画布及loc的使用方法
- 2.5 Matplotlib绘制K线图的方法
- 2.5.1 安装财经数据接口包（TuShare）和绘图包（mpl_finance）
- 2.5.2 绘制K线图示例
- 第3章 量化投资策略回测
- 3.1 选择回测平台的技巧
- 3.1.1 根据个人特点选择回测平台
- 3.1.2 回测平台的使用方法与技巧
- 3.2 调用金融数据库中的数据
- 3.2.1 历史数据库的调取
- 3.2.2 数据库的分析方法与技巧
- 3.3 回测与实际业绩预期偏差的调试方法
- 3.4 设置回测参数
- 3.4.1 start和end回测起止时间
- 3.4.2 universe证券池
- 3.4.3 benchmark参考基准
- 3.4.4 freq和refresh_rate策略运行频率
- 3.5 账户设置
- 3.5.1 accounts账户配置
- 3.5.2 AccountConfig账户配置
- 3.6 策略基本方法
- 3.7 策略运行环境
- 3.7.1 now
- 3.7.2 current_date
- 3.7.3 previous_date
- 3.7.4 current_minute
- 3.7.5 current_price
- 3.7.6 get_account
- 3.7.7 get_universe
- 3.7.8 transfer_cash
- 3.8 获取和调用数据
- 3.8.1 history
- 3.8.2 get_symbol_history
- 3.8.3 get_attribute_history
- 3.8.4 DataAPI
- 3.9 账户相关属性
- 3.9.1 下单函数
- 3.9.2 获取账户信息
- 3.10 策略结果展示
- 3.11 批量回测
- 第4章 量化投资择时策略与选股策略的推进方法
- 4.1 多因子选股策略
- 4.1.1 多因子模型基本方法
- 4.1.2 单因子分析流程
- 4.1.3 多因子（对冲）策略逻辑
- 4.1.4 多因子（裸多）策略逻辑
- 4.2 多因子选股技巧
- 4.2.1 定义股票池
- 4.2.2 指标选股
- 4.2.3 指标排序
- 4.2.4 查看选股
- 4.2.5 交易配置
- 4.2.6 策略回测
- 4.3 择时——均线趋势策略
- 4.3.1 格兰维尔八大法则
- 4.3.2 双均线交易系统
- 4.4 择时——移动平均线模型
- 4.4.1 MA模型的性质
- 4.4.2 MA的阶次判定
- 4.4.3 建模和预测
- 4.5 择时——自回归策略
- 4.5.1 AR（p）模型的特征根及平稳性检验
- 4.5.2 AR（p）模型的定阶
- 4.6 择时——均线混合策略
- 4.6.1 识别ARMA模型阶次
- 4.6.2 ARIMA模型
- 第5章 量化对冲策略
- 5.1 宏观对冲策略
- 5.1.1 美林时钟
- 5.1.2 宏观对冲策略特征
- 5.2 微观对冲策略：股票投资中的Alpha策略和配对交易
- 5.2.1 配对交易策略
- 5.2.2 配对交易策略之协整策略
- 5.2.3 市场中性Alpha策略简介
- 5.2.4 AlphaHorizon单因子分析模块
- 5.3 数据加载
- 5.3.1 uqer数据获取函数
- 5.3.2 通过uqer获取数据
- 5.3.3 因子数据简单处理
- 5.4 AlphaHorizon 因子分析——数据格式化
- 5.5 收益分析
- 5.5.1 因子选股的分位数组合超额收益
- 5.5.2 等权做多多头分位、做空空头分位收益率分析策略
- 5.5.3 等权做多多头分位累计净值计算
- 5.5.4 多头分位组合实际净值走势图
- 5.5.5 以因子值加权构建组合
- 5.6 信息系数分析
- 5.6.1 因子信息系数时间序列
- 5.6.2 因子信息系数数据分布特征
- 5.6.3 因子信息系数月度热点图
- 5.6.4 因子信息系数衰减分析
- 5.7 换手率、因子自相关性分析
- 5.8 分类行业分析
- 5.9 总结性分析数据
- 5.10 AlphaHorizon完整分析模板
- 第6章 数据挖掘
- 6.1 数据挖掘分类模式
- 6.2 数据挖掘之神经网络
- 6.2.1 循环神经网络数据的准备和处理
- 6.2.2 获取因子的原始数据值和股价涨跌数据
- 6.2.3 对数据进行去极值、中性化、标准化处理
- 6.2.4 利用不同模型对因子进行合成
- 6.2.5 合成因子效果的分析和比较
- 6.2.6 投资组合的构建和回测
- 6.2.7 不同模型的回测指标比较
- 6.3 决策树
- 6.3.1 决策树原始数据
- 6.3.2 决策树基本组成
- 6.3.3 ID3算法
- 6.3.4 决策树剪枝
- 6.4 联机分析处理
- 6.5 数据可视化
- 第7章 量化投资中数据挖掘的使用方法
- 7.1 SOM神经网络
- 7.2 SOM神经网络结构
- 7.3 利用SOM模型对股票进行分析的方法
- 7.3.1 SOM模型中的数据处理
- 7.3.2 SOM模型实验
- 7.3.3 SOM模型实验结果
- 第8章 量化投资的资产配置和风险控制
- 8.1 资产配置的定义及分类
- 8.2 资产配置杠杆的使用
- 8.2.1 宏观杠杆实例
- 8.2.2 微观杠杆实例
- 8.3 资产配置策略
- 8.3.1 最小方差组合简介
- 8.3.2 经典资产配置B-L模型
- 8.4 风险平价配置方法的理论与实践
- 8.4.1 风险平价配置方法的基本理念
- 8.4.2 风险平价配置理论介绍
- 8.5 资产风险的来源
- 8.5.1 市场风险
- 8.5.2 利率风险
- 8.5.3 汇率风险
- 8.5.4 流动性风险
- 8.5.5 信用风险
- 8.5.6 通货膨胀风险
- 8.5.7 营运风险
- 8.6 风险管理细则风险控制的4种基本方法
- 8.6.1 风险回避
- 8.6.2 损失控制
- 8.6.3 风险转移
- 8.6.4 风险保留
- 8.7 做好主观止损的技巧
- 8.7.1 没做好止损——中国石油
- 8.7.2 积极止损——中国外运
- 第9章 量化仓位决策
- 9.1 凯利公式基本概念
- 9.1.1 凯利公式的两个不同版本
- 9.1.2 凯利公式的使用方法
- 9.1.3 用凯利公式解答两个小例子
- 9.1.4 在实战中运用凯利公式的难点
- 9.2 凯利公式实验验证
- 9.3 等价鞅策略与反等价鞅策略
- 9.3.1 等价鞅策略定义及示例
- 9.3.2 反等价鞅策略定义及示例
- 9.4 购买股指期货IF1905被套心理分析及应对策略
- 9.5 期货趋势策略仓位管理方法
- 9.5.1 期货交易策略
- 9.5.2 仓位管理的八大方法
- 9.6 海龟交易法操作商品期货策略
- 9.6.1 海龟交易步骤回顾
- 9.6.2 需要用到的计算、判断函数
- 9.6.3 海龟交易回测
- 9.6.4 日线螺纹钢测试
- 9.6.5 测试不同商品在唐奇安通道N上的表现
- 第10章 机器学习与遗传算法
- 10.1 机器学习系统及策略
- 10.1.1 学习策略简介
- 10.1.2 学习策略分类
- 10.2 演绎推理及归纳推理规则
- 10.2.1 自动推理
- 10.2.2 演绎推理及示例
- 10.2.3 归纳推理及示例
- 10.2.4 自然演绎推理及示例
- 10.3 专家系统体系结构
- 10.3.1 专家系统的定义
- 10.3.2 专家系统的构成
- 10.3.3 专家系统的分类
- 10.3.4 专家系统的特点
- 10.4 遗传算法基本原理及应用
- 10.4.1 遗传算法简介与特点
- 10.4.2 基本遗传算法多层次框架图
- 10.4.3 遗传算法实施步骤
- 10.4.4 遗传算法应用
- 10.5 使用遗传算法筛选内嵌因子
- 10.5.1 加入Python包
- 10.5.2 设定时间回测范围
- 10.5.3 设置标准化过程
- 10.5.4 训练，测试集合的选择
- 10.5.5 评价指标
- 10.5.6 利用遗传算法改进过程
- 第11章 人工智能在量化投资策略中的应用
- 11.1 人工智能选股Boosting 模型使用方法
- 11.1.1 对数据进行预处理——获取因子数据和股价涨跌数据
- 11.1.2 对数据进行去极值、中性化、标准化处理
- 11.1.3 模型数据准备
- 11.2 Boosting模型因子合成
- 11.2.1 模型训练
- 11.2.2 模型结果分析
- 11.2.3 因子重要度分析
- 11.3 因子测试
- 11.3.1 载入因子文件
- 11.3.2 回测详情
- 11.3.3 Boosting模型合成因子分组回测
展开全部
评分及书评
尚无评分
目前还没人评分
- 加载中...
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
