《人工智慧在量化交易中的套用與實戰》是2019年中國鐵道出版社出版的圖書。
基本介紹
- 中文名：人工智慧在量化交易中的套用與實戰
- 作者：[中國]王征;李曉波
- 出版時間：2019年
- 出版社：中國鐵道出版社
- ISBN：9787113257842
- 類別：理財技巧
- 開本：16 開
- 裝幀：平裝-膠訂
內容簡介,作者簡介,圖書目錄,
內容簡介
本書首先講解人工智慧的基礎知識，即什麼是人工智慧，為什麼要學習人工智慧，什麼是智慧型，智慧型類型，人工智慧的研究與套用領域，為什麼使用Python 來開發人工智慧，利用量化交易平台編寫Python 程式，人工智慧的發展歷史；然後講解Python 編程基礎和人工智慧的三個重要的包，即Numpy 包、Pandas 包和Matplotlib 包；接著講解5 種機器學習算法，即決策樹、隨機森林、支持向量機（SVM）、樸素貝葉斯和人工智慧的神經網路；然後講解Python 量化交易策略的編寫、獲取數據函式、Python 基本面量化選股、Python 量化擇時的技術指標函式、Python 量化交易策略的回測技巧、Python 量化交易策略的機器學習方法套用；*後講解Python 量化交易策略的因子分析技巧和Python 量化交易策略實例。 在講解過程中既考慮讀者的學習習慣，又通過具體實例剖析講解人工智慧在量化交易套用中的熱點問題、關鍵問題及種種難題。 本書適用於各種投資者，如股民、期民、中小散戶、職業操盤手和專業金融評論人士，更適用於那些有志於在這個充滿風險、充滿寂寞的征程上默默前行的征戰者和屢敗屢戰、愈挫愈勇並*終戰勝失敗、戰勝自我的勇者
作者簡介
李曉波，從事金融衍生品市場交易及管理近20年，有著豐富的經驗和體會，對國內外貴金屬、外匯、郵幣卡、大宗商品及股市等主流交易方式有著深刻的了解，擅長股票、期貨、黃金、白銀、郵幣卡、外匯的培訓指導，經常活躍在各大金融講壇，深為投資者喜愛。可為個人投資者及機構提供分析、投資諮詢，交易指導，理財培訓等多方位的專業服務。
圖書目錄
第1章 人工智慧快速入門 / 1
1.1 初識人工智慧 / 2
1.1.1 什麼是人工智慧 / 2
1.1.2 為什麼要學習人工智慧 / 2
1.2 智慧型概述 / 4
1.2.1 智慧型類型 / 4
1.2.2 智慧型的組成 / 6
1.3 人工智慧的研究與套用領域 / 8
1.3.1 專家系統 / 8
1.3.2 自然語言理解 / 9
1.3.3 機器學習 / 9
1.3.4 機器定理證明 / 10
1.3.5 自動程式設計 / 11
1.3.6 分散式人工智慧 / 12
1.3.7 機器人學 / 13
1.3.8 模式識別 / 14
1.3.9 人機博弈 / 14
1.3.10 計算機視覺 / 15
1.3.11 軟計算 / 15
1.3.12 智慧型控制 / 16
1.3.13 智慧型規劃 / 17
1.4 人工智慧的開發語言 / 18
1.4.1 為什麼使用Python來開發人工智慧 / 18
1.4.2 Python的下載和安裝 / 18
1.4.3 Python程式的編寫 / 21
1.4.4 利用量化交易平台編寫Python程式 / 24
1.5 人工智慧的發展歷史 / 27
1.5.1 計算機時代 / 27
1.5.2 大量程式 / 28
1.5.3 強弱人工智慧 / 29
第2章 Python 編程基礎 / 31
2.1 Python的基本數據類型 / 32
2.1.1 數值類型 / 32
2.1.2 字元串 / 34
2.2 變數與賦值 / 37
2.2.1 變數命名規則 / 37
2.2.2 變數的賦值 / 38
2.3 Python的基本運算 / 39
2.3.1 算術運算 / 39
2.3.2 賦值運算 / 41
2.3.3 位運算 / 42
2.4 Python的選擇結構 / 43
2.4.1 關係運算 / 43
2.4.2 邏輯運算 / 45
2.4.3 if 語句 / 46
2.4.4 嵌套 if 語句 / 48
2.5 Python的循環結構 / 49
2.5.1 while循環 / 50
2.5.2 while 循環使用else語句 / 51
2.5.3 無限循環 / 51
2.5.4 for循環 / 52
2.5.5 在for循環中使用range()函式 / 53
2.5.6 break語句 / 54
2.5.7 continue語句 / 55
2.5.8 pass語句 / 56
2.6 Python的特徵數據類型 / 57
2.6.1 列表 / 57
2.6.2 元組 / 61
2.6.3 字典 / 63
2.6.4 集合 / 64
2.7 Python的函式 / 67
2.7.1 函式的定義與調用 / 67
2.7.2 參數傳遞 / 69
2.7.3 匿名函式 / 71
2.7.4 變數作用域 / 72
2.8 Python的面向對象 / 73
2.8.1 面向對象概念 / 73
2.8.2 類與實例 / 74
2.8.3 模組的引用 / 77
2.9 Python的代碼格式 / 78
2.9.1 代碼縮進 / 78
2.9.2 代碼注釋 / 79
2.9.3 空行 / 79
2.9.4 同一行顯示多條語句 / 79
第3章 人工智慧的Numpy 包 / 81
3.1 初識Numpy包 / 82
3.2 ndarray數組基礎 / 82
3.2.1 創建Numpy數組 / 83
3.2.2 Numpy特殊數組 / 86
3.2.3 Numpy序列數組 / 90
3.2.4 Numpy數組索引 / 91
3.2.5 Numpy數組運算 / 92
3.2.6 Numpy數組複製 / 93
3.3 Numpy的矩陣 / 94
3.4 Numpy的線性代數 / 96
3.4.1 兩個數組的點積 / 96
3.4.2 兩個向量的點積 / 97
3.4.3 一維數組的向量內積 / 97
3.4.4 矩陣的行列式 / 98
3.4.5 矩陣的逆 / 100
3.5 Numpy的檔案操作 / 101
第4章 人工智慧的Pandas 包 / 105
4.1 Pandas的數據結構 / 106
4.2 一維數組系列（Series） / 106
4.2.1 創建一個空的系列（Series） / 106
4.2.2 從ndarray創建一個系列（Series） / 107
4.2.3 從字典創建一個系列（Series） / 109
4.2.4 從有位置的系列（Series）中訪問數據 / 109
4.2.5 使用標籤檢索數據 / 110
4.3 二維數組DataFrame / 111
4.3.1 創建DataFrame / 111
4.3.2 數據的查看 / 112
4.3.3 數據的選擇 / 116
4.3.4 數據的處理 / 122
4.4 三維數組Panel / 124
第5章 人工智慧的Matplotlib 包 / 127
5.1 Matplotlib包的優點 / 128
5.2 figure()函式的套用 / 128
5.2.1 figure()函式的各參數意義 /128
5.2.2 figure()函式的實例 / 129
5.3 plot()函式的套用 / 131
5.3.1 plot()函式的各參數意義 /131
5.3.2 plot()函式的實例 / 132
5.4 subplot()函式的套用 / 133
5.4.1 subplot()的各參數意義 / 134
5.4.2 subplot()的實例 / 134
5.5 add_axes方法的套用 / 135
5.6 legend()函式的套用 / 137
5.7 設定字型格式 / 139
5.8 設定線條的寬度和顏色 / 140
5.9 坐標軸格線 / 142
5.10 繪製柱狀圖 / 143
5.11 繪製色圖和等高線圖 / 144
5.12 繪製立體三維圖形 / 146
第6章 決策樹和隨機森林 / 151
6.1 決策樹 / 152
6.1.1 什麼是決策樹 / 152
6.1.2 決策樹的組成 / 153
6.1.3 決策樹的優點 / 153
6.1.4 決策樹的缺點 / 154
6.1.5 決策樹的構造 / 154
6.1.6 純度判斷方法 / 155
6.1.7 決策樹的剪枝 / 162
6.1.8 利用Python代碼實現決策樹 / 163
6.2 隨機森林 / 167
6.2.1 隨機森林的構建 / 167
6.2.2 隨機森林的優缺點 / 168
6.2.3 隨機森林的套用範圍 / 168
6.2.4 利用Python代碼實現隨機森林 /169
第7章 支持向量機（SVM）和樸素貝葉斯 / 173
7.1 支持向量機（SVM） / 174
7.1.1 什麼是支持向量機（SVM） / 174
7.1.2 支持向量機（SVM）的工作原理 / 174
7.1.3 核函式 / 175
7.1.4 支持向量機(SVM)的優點 / 177
7.1.5 支持向量機(SVM)的缺點 / 177
7.1.6 利用Python代碼實現支持向量機(SVM)/ 177
7.2 樸素貝葉斯 / 182
7.2.1 什麼是樸素貝葉斯 / 182
7.2.2 樸素貝葉斯的算法思想 / 182
7.2.3 樸素貝葉斯的算法步驟 / 183
7.2.4 樸素貝葉斯的優缺點 / 184
7.2.5 利用Python代碼實現高斯樸素貝葉斯 /184
7.2.6 利用Python代碼實現多項式分布樸素貝葉斯 / 187
7.2.7 利用Python代碼實現伯努力樸素貝葉斯/ 188
第8章 人工智慧的神經網路 / 191
8.1 初識人工神經網路 / 192
8.1.1 什麼是人工神經網路 / 192
8.1.2 大腦中的神經元細胞和神經元細胞網路 /192
8.1.3 人工神經網路的基本特徵 / 193
8.1.4 人工神經網路的特點 / 195
8.2 人工神經網路的算法 / 195
8.3 神經網路庫Pybrain / 197
8.3.1 神經網路的創建 / 197
8.3.2 神經網路的數據集定義 / 201
8.3.3 訓練神經網路 / 202
8.3.4 循環神經網路 / 204
8.4 人工神經網路實例 / 205
第9章 Python 量化交易策略的編寫 / 209
9.1 Python量化交易策略的組成 /210
9.1.1 初始化函式（initialize） / 211
9.1.2 開盤前運行函式（before_market_open） / 212
9.1.3 開盤時運行函式（market_open） / 213
9.1.4 收盤後運行函式（after_market_close） / 214
9.2 Python量化交易策略的設定函式 /214
9.2.1 設定基準函式 / 215
9.2.2 設定佣金/印花稅函式 / 215
9.2.3 設定滑點函式 / 217
9.2.4 設定動態復權（真實價格）模式函式 /217
9.2.5 設定成交量比例函式 / 218
9.2.6 設定是否開啟盤口撮合模式函式 / 218
9.2.7 設定要操作的股票池函式 / 218
9.3 Python量化交易策略的定時函式 /219
9.3.1 定時函式的定義及分類 / 219
9.3.2 定時函式各項參數的意義 / 219
9.3.3 定時函式的注意事項 / 220
9.3.4 定時函式的實例 / 221
9.4 Python量化交易策略的下單函式 /222
9.4.1 按股數下單函式 / 222
9.4.2 目標股數下單函式 / 223
9.4.3 按價值下單函式 / 223
9.4.4 目標價值下單函式 / 224
9.4.5 撤單函式 / 224
9.4.6 獲取未完成訂單函式 / 225
9.4.7 獲取訂單信息函式 / 225
9.4.8 獲取成交信息函式 / 226
9.5 Python量化交易策略的日誌log/ 226
9.5.1 設定log級別 / 226
9.5.2 log.info / 227
9.6 Python量化交易策略的常用對象 /227
9.6.1 Order對象 / 227
9.6.2 全局對象g / 228
9.6.3 Trade對象 / 229
9.6.4 tick對象 / 229
9.6.5 Context對象 / 230
9.6.6 Position對象 / 231
9.6.7 SubPortfolio對象 / 232
9.6.8 Portfolio對象 / 233
9.6.9 SecurityUnitData對象 / 233
第10章 Python 量化交易策略的獲取數據函式 / 235
10.1 獲取股票數據的history()函式 / 236
10.1.1 各項參數的意義 / 236
10.1.2 history()函式的套用實例 / 238
10.2 獲取一隻股票數據的attribute_history()函式 / 241
10.3 查詢一個交易日股票財務數據的get_fundamentals()函式 / 242
10.3.1 各項參數的意義 / 242
10.3.2 get_fundamentals ()函式的套用實例 / 243
10.4 查詢股票財務數據的get_fundamentals_continuously()函式 / 249
10.5 獲取股票特別數據的get_current_data()函式 / 250
10.6 獲取指數成分股代碼的get_index_stocks()函式 / 251
10.6.1 各項參數的意義 / 251
10.6.2 get_index_stocks ()函式的套用實例 / 252
10.7 獲取行業成分股代碼的get_industry_stocks()函式 / 253
10.8 獲取概念成本股代碼的get_concept_stocks()函式 / 255
10.9 獲取所有數據信息的get_all_securities()函式 / 256
10.9.1 各項參數的意義 / 256
10.9.2 get_all_securities()函式的套用實例 / 257
10.10 獲取一隻股票信息的get_security_info()函式 / 259
10.11 獲取龍虎榜數據的get_billboard_list()函式 / 260
10.11.1 各項參數的意義 / 260
10.11.2 get_billboard_list()函式的套用實例 / 261
10.12 獲取限售解禁數據的get_locked_shares()函式 / 262
第11章 Python 基本面量化選股 / 265
11.1 初識量化選股 / 266
11.2 成長類因子選股 / 266
11.2.1 營業收入同比增長率選股 / 266
11.2.2 營業收入環比增長率選股 / 268
11.2.3 淨利潤同比增長率選股 / 269
11.2.4 淨利潤環比增長率選股 / 270
11.2.5 營業利潤率選股 / 271
11.2.6 銷售淨利率選股 / 272
11.2.7 銷售毛利率選股 / 273
11.3 規模類因子選股 / 274
11.3.1 總市值選股 / 274
11.3.2 流通市
