互联网
类型
可以朗读
语音朗读
143千字
字数
2024-01-01
发行日期
展开全部
主编推荐语
一本针对金融领域的数据分析和机器学应用的实用指南。
内容简介
本书以chatgpt为核心技术，结合python编程和金融领域的基础知识，介绍如何利用chatgpt处理和分析金融大数据，进行预测建模和智能决策。
通过阅读本书，读者将掌握使用chatgpt和其他工具进行金融大数据分析的基本和方法。无论是金融行业从业者还是数据分析员，都可以从本书中获得宝贵的实用知识，提升在金融领域的数据分析和决策能力。
目录
- 版权信息
- 内容简介
- 前言
- 第1章 ChatGPT在金融大数据分析中的作用
- 1.1 ChatGPT生成金融数据分析代码示例的案例
- 1.1.1 案例1：生成数据清洗和预处理代码示例
- 1.1.2 案例2：生成特征工程代码示例
- 1.2 ChatGPT回答金融领域知识的案例
- 1.2.1 案例3：解答金融市场知识
- 1.2.2 案例4：解释经济学理论
- 1.2.3 案例5：解答金融产品相关问题
- 1.2.4 案例6：解答金融风险管理相关问题
- 1.3 ChatGPT辅助发现数据中的模式和特征
- 1.4 本章总结
- 第2章 金融大数据分析Python基础
- 2.1 Python解释器
- 2.2 IDE工具
- 2.2.1 安装Jupyter Notebook
- 2.2.2 启动Jupyter Notebook
- 2.3 第一个Python程序
- 2.3.1 编写脚本文件，运行第一个Python程序
- 2.3.2 使用Jupyter Notebook编写和运行第一个Python程序
- 2.4 Python语法基础
- 2.4.1 标识符
- 2.4.2 关键字
- 2.4.3 变量声明
- 2.4.4 语句
- 2.4.5 Python代码块
- 2.4.6 模块
- 2.5 数据类型与运算符
- 2.5.1 数据类型
- 2.5.2 运算符
- 2.6 控制语句
- 2.6.1 分支语句
- 2.6.2 循环语句
- 2.6.3 跳转语句
- 2.7 序列
- 2.7.1 索引操作
- 2.7.2 序列切片
- 2.7.3 可变序列——列表
- 2.7.4 不可变序列——元组
- 2.7.5 列表推导式
- 2.8 集合
- 2.8.1 创建集合
- 2.8.2 集合推导式
- 2.9 字典
- 2.9.1 创建字典
- 2.9.2 字典推导式
- 2.10 字符串类型
- 2.10.1 字符串表示方式
- 2.10.2 字符串格式化
- 2.11 函数
- 2.11.1 匿名函数与lambda表达式
- 2.11.2 数据处理中的两个常用函数
- 2.12 文件操作
- 文件读写
- 2.13 异常处理
- 2.13.1 捕获异常
- 2.13.2 释放资源
- 2.14 多线程
- 创建线程
- 2.15 本章总结
- 第3章 金融大数据的获取
- 3.1 金融大数据概述
- 3.1.1 数据来源
- 3.1.2 数据采集工具和技术
- 3.2 网络爬虫
- 3.2.1 网络爬虫原理
- 3.2.2 网络爬虫的应用
- 3.2.3 使用urllib爬取静态网页数据
- 3.2.4 案例1：爬取纳斯达克股票数据
- 3.3 解析数据
- 3.3.1 使用BeautifulSoup库
- 3.3.2 案例2：解析纳斯达克股票数据
- 3.3.3 使用Selenium爬取动态网页数据
- 3.3.4 案例3：爬取搜狐证券贵州茅台股票数据
- 3.3.5 案例4：使用Selenium解析HTML数据
- 3.4 使用API调用获取数据
- 3.4.1 常见的金融数据API
- 3.4.2 使用TushareAPI获取数据
- 3.4.3 案例5：使用Tushare API获取贵州茅台股票数据
- 3.5 使用ChatGPT辅助获取数据
- 3.5.1 案例6：使用ChatGPT解释和理解数据格式
- 3.5.2 案例7：使用ChatGPT提供数据处理示例代码
- 3.5.3 案例8：使用ChatGPT帮助解决数据获取问题
- 3.6 本章总结
- 第4章 金融大数据基础库：NumPy
- 4.1 NumPy库
- 4.1.1 为什么选择NumPy
- 4.1.2 安装NumPy库
- 4.2 创建数组
- 4.2.1 创建一维数组
- 4.2.2 指定数组数据类型
- 4.2.3 创建一维数组更多方式
- 4.2.4 使用arange函数
- 4.2.5 等差数列与linspace函数
- 4.2.6 等比数列与logspace函数
- 4.3 二维数组
- 创建二维数组
- 4.4 创建二维数组更多方式
- 4.4.1 使用ones函数
- 4.4.2 使用zeros函数
- 4.4.3 使用empty函数
- 4.4.4 使用full函数
- 4.4.5 使用identity函数
- 4.4.6 使用eye函数
- 4.5 数组的属性
- 4.6 数组的轴
- 4.7 三维数组
- 4.8 访问数组
- 4.8.1 索引访问
- 4.8.2 切片访问
- 4.8.3 花式索引
- 4.9 本章总结
- 第5章 金融大数据分析库：Pandas
- 5.1 Pandas库介绍
- 5.1.1 为什么选择Pandas
- 5.1.2 安装Pandas库
- 5.2 Series数据结构
- 5.2.1 理解Series数据结构
- 5.2.2 创建Series对象
- 5.2.3 访问Series数据
- 5.2.4 通过下标访问Series数据
- 5.2.5 通过切片访问Series数据
- 5.3 DataFrame数据结构
- 创建DataFrame对象
- 5.4 访问DataFrame数据
- 5.4.1 访问DataFrame列
- 5.4.2 访问DataFrame行
- 5.4.3 切片访问
- 5.5 本章总结
- 第6章 金融大数据的预处理与清洗
- 6.1 数据清洗和预处理
- 6.1.1 使用ChatGPT辅助数据清洗
- 6.1.2 案例1：使用ChatGPT辅助分析股票数据
- 6.1.3 案例2：处理股票数据缺失值问题
- 6.1.4 案例3：处理股票数据类型不一致问题
- 6.1.5 案例4：处理股票数据异常值问题
- 6.2 本章总结
- 第7章 金融大数据的存储
- 7.1 使用MySQL数据库
- 7.1.1 MySQL数据库管理系统
- 7.1.2 安装MySQL8数据库
- 7.1.3 客户端登录服务器
- 7.1.4 图形界面客户端工具
- 7.1.5 安装PyMySQL库
- 7.1.6 访问数据库的一般流程
- 7.1.7 案例1：访问苹果股票数据
- 7.2 使用Pandas读写MySQL数据库
- 7.2.1 案例2：使用Panda从数据库读取股票数据
- 7.2.2 案例3：使用Pandas写入股票数据到数据库
- 7.3 使用Pandas读写Excel文件
- 7.3.1 案例4：使用Pandas从Excel文件读取股票数据
- 7.3.2 案例5：使用Pandas写入股票数据到Excel文件
- 7.4 使用Pandas读写CSV文件
- 7.4.1 案例6：从CSV文件读取货币供应量数据
- 7.4.2 案例7：使用Pandas写入股票数据到CSV文件
- 7.5 JSON数据交换格式
- 7.5.1 JSON文档结构
- 7.5.2 JSON数据编码
- 7.5.3 JSON数据解码
- 7.5.4 案例8：解码搜狐证券贵州茅台股票数据
- 7.6 本章总结
- 第8章 金融大数据可视化基础库：Matplotlib
- 8.1 金融大数据可视化库
- 8.2 金融大数据可视化方法和图表类型
- 8.3 使用Matplotlib绘制图表
- 8.3.1 安装Matplotlib
- 8.3.2 图表的基本构成要素
- 8.3.3 绘制折线图
- 8.3.4 绘制柱状图
- 8.3.5 绘制饼状图
- 8.3.6 绘制散点图
- 8.3.7 绘制子图表
- 8.3.8 案例1：绘制贵州茅台股票历史成交量折线图
- 8.3.9 案例2：绘制贵州茅台股票OHLC折线图
- 8.4 mplfinance库
- 8.4.1 K线图
- 8.4.2 绘制K线图
- 8.4.3 案例3：绘制贵州茅台股票K线图
- 8.5 绘制移动平均线图
- 8.5.1 案例4：绘制贵州茅台股票5日和10日移动平均线图
- 8.5.2 案例5：绘制K线图+移动平均线图
- 8.6 本章总结
- 第9章 金融大数据可视化进阶库：Seaborn
- 9.1 Seaborn库概述
- 9.1.1 使用Seaborn图表的主要优点
- 9.1.2 安装Seaborn库
- 9.1.3 设置Seaborn的样式
- 9.2 箱线图
- 9.3 小提琴图
- 9.4 关联线图
- 9.5 关联散点图
- 9.6 密度图
- 9.7 Dist图
- 9.8 线性回归图
- 9.9 热力图
- 9.10 本章总结
- 第10章 金融大数据分析
- 10.1 ChatGPT辅助金融大数据分析
- 10.2 数据的统计分析方法
- 10.3 描述统计分析
- 10.3.1 在Pandas中常用的描述统计方法
- 10.3.2 案例1：使用描述统计方法分析贵州茅台股票数据
- 10.4 频数分析
- 10.4.1 案例2：分析信用卡交易金额的频数分布
- 10.4.2 案例3：分析贵州茅台股票交易量频数分布
- 10.5 相关性分析
- 10.5.1 案例4：股票行业相关性分析
- 10.5.2 案例5：使用ChatGPT辅助分析皮尔逊相关系数
- 10.6 时间序列分析
- 10.6.1 案例6：采用MA分析贵州茅台股票的价格走势
- 10.6.2 案例7：采用AR分析贵州茅台股票的价格走势
- 10.7 本章总结
- 第11 章机器学习与金融大数据预测建模
- 11.1 机器学习策略
- 11.1.1 机器学习策略分类
- 11.1.2 Python机器学习库
- 11.1.3 机器学习策略的实施过程
- 11.2 案例1：使用Scikit-learn分类策略预测苹果股票走势
- 11.3 案例2：使用Scikit-learn回归策略预测苹果股票走势
- 11.4 案例3：使用Keras深度学习库预测苹果股票走势
- 11.5 本章总结
- 第12章 ChatGPT在金融大数据分析中的应用与优势
- 12.1 ChatGPT在金融领域中的自动化客户服务与智能助理方面的应用
- 12.1.1 案例1:ChatGPT应用于金融领域中的智能问答和问题解决
- 12.1.2 案例2:ChatGPT应用于金融领域中的个性化建议和推荐
- 12.1.3 案例3:ChatGPT应用于金融领域中的自动化投资助理
- 12.2 ChatGPT在金融领域中的情感分析和舆情监测方面的应用
- 12.2.1 案例4:ChatGPT在金融市场情感分析中的应用
- 12.2.2 案例5:ChatGPT在舆情监测中的应用
- 12.3 ChatGPT在金融领域中的文档处理方面的应用
- 12.4 与ChatGPT对话的文本语言
- 12.4.1 Markdown基本语法
- 12.4.2 使用Markdown工具
- 12.4.3 案例6：利用ChatGPT撰写ABC银行年度财务报告
- 12.4.4 将Markdown格式文档转换为Word文档
- 12.4.5 将Markdown格式文档转换为PDF文档
- 12.4.6 案例7：利用ChatGPT生成ABC银行资产负债表
- 12.5 本章总结
- 第13章 金融案例与实践
- 13.1 实践案例1：使用ARIMA模型预测USD/CNY汇率
- 13.1.1 案例背景
- 13.1.2 有关汇率的基本概念
- 13.1.3 收集数据
- 13.1.4 案例实现过程
- 13.2 实践案例2：基于深度学习的黄金期货价格预测
- 13.2.1 有关期货的基本概念
- 13.2.2 期货交易中的多头和空头策略及其风险管理
- 13.2.3 收集数据
- 13.2.4 案例实现过程
- 13.3 实践案例3：基于深度学习的比特币价格预测
- 13.3.1 数字货币相关的基本概念
- 13.3.2 收集数据
- 13.3.3 案例实现过程
- 13.4 本章总结
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
