• apply() 和applymap()是DataFrame数据类型的函数,map()是Series数据类型的函数。apply()的操作对象DataFrame的一列或者一行数据, applymap()是element-wise的,作用于每个DataFrame的每个数据。 map()也是element-...

    1.pandas的一个技巧

        apply() 和applymap()是DataFrame数据类型的函数,map()是Series数据类型的函数。apply()的操作对象DataFrame的一列或者一行数据, applymap()是element-wise的,作用于每个DataFrame的每个数据。 map()也是element-wise的,对Series中的每个数据调用一次函数。​

    2.PCA分解德国DAX30指数

        DAX30指数有三十个股票,听起来不多的样子,其实还是挺多的,我们很有必要对其进行主成分分析,然后找出最重要的几个股票。想必PCA的原理大家应该都是知道,说白了就是在一个回归中找到影响最大的那几个,当然,数学原理就涉及矩阵分解,什么SVD呀。

        先上点代码

    import pandas as pd
    import pandas.io.data as web
    import numpy as np
    np.random.seed(1000)
    import scipy.stats as scs
    import statsmodels.api as sm
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    from sklearn.decomposition import KernelPCA#导入机器学习的PCA包
    symbols = ['ADS.DE','ALV.DE','BAS.DE','BAYN.DE','BEI.DE','BMW.DE','CBK.DE','CON.DE','DAI.DE',
                'DB1.DE','DBK.DE','DPW.DE','DTE.DE','EOAN.DE','FME.DE','FRE.DE','HEI.DE','HEN3.DE',
                'IFX.DE','LHA.DE','LIN.DE','LXS.DE','MRK.DE','MUV2.DE','RWE.DE','SAP.DE','SDF.DE',
                'SIE.DE','TKA.DE','VOW3.DE','^GDAXI']#DAX30指数各个股票的代码以及德国30指数代码,共31个数据列
    data = pd.DataFrame()
    for sym in symbols:#获取数据
        data[sym] = web.DataReader(sym,data_source = 'yahoo')['Close']
    data = data.dropna()#丢弃缺失数据
    dax = pd.DataFrame(data.pop('^GDAXI'))#将指数数据单独拿出来,采用pop在获取的时候已经从原来的地方删除了这一列数据了
    scale_function = lambda x:(x-x.mean())/x.std()
    
    pca = KernelPCA().fit(data.apply(scale_function))#这里用到了apply函数。做PCA前,我们要对数据做标准化
    get_we = lambda x:x/x.sum()
    print get_we(pca.lambdas_)[:10]
        这样,你就可以看到前十个股票对DAX30指数的贡献量了。

    pca = KernelPCA(n_components = 1).fit(data.apply(scale_function))
    dax['PCA_1'] =pca.transform(data)
    dax.apply(scale_function).plot(figsize = (8,4))
    
    pca = KernelPCA(n_components = 5).fit(data.apply(scale_function))
    
    weights = get_we(pca.lambdas_)
    dax['PCA_5'] =np.dot(pca.transform(data),weights)


        这里,我们采用只用第一个成分去拟合以及前五个成分去拟合,发现效果好的出奇。这样我们就做到了降维的工作了。我们再来展开看一下PCA的效果。

    plt.figure(figsize = (8,4))
    plt.scatter(dax['PCA_5'],dax['^GDAXI'],color = 'r')
        这里,我们把PCA后的值与原始值进行散点图的绘制,



        我们看到,整体效果还是不错的,但是很显然,两边和中间总是有点问题,所以,如果我们要提高,我们可以在中间分段进行PCA,这样的话,效果应该会更加好。



    展开全文
  • Python金融大数据分析

    2020-07-09 11:01:07
    , 《Python金融大数据分析》总计分为3部分,共19章,第1部分介绍了Python在金融学中的应用,其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具,以及Python在计量金融学中的一些具体入门实例;...
  • 下载地址:网盘下载内容简介······唯一一本详细讲解使用Python分析处理金融大数据的专业图书;金融应用开发领域从业人员必读。Python凭借其简单、易读、可扩展性以及...《Python金融大数据分析》提供了使用Pyt...

    下载地址:网盘下载

     

     

    内容简介  · · · · · ·

    作者简介  · · · · · ·

    Yves Hilpsch是Python Quants(德国)股份有限公司的创始人和任事股东,也是Python Quants(纽约)有限责任公司的共同创办人。该集团提供基于Python的金融和衍生品分析软件(参见http://pythonquants.com,http://quant-platfrom.com和http://dx-analytics.com),以及和Python及金融相关的咨询、开发和培训服务。

    Yves还是Derivatives Analytics with Python(Wiley Finance,2015)的作者。作为获得数理金融学博士学位的商业管理专业研究生,他在萨尔州大学讲授计算金融学中的数值化方法课程。

    目录  · · · · · ·

    作者简介
    版权声明
    内容提要
    O’Reilly Media, Inc.介绍
    前言
    第1部分 Python与金融
    第1章 为什么将Python用于金融
    第2章 基础架构和工具
    第3章 入门示例
    第2部分 金融分析和开发
    第4章 数据类型和结构
    第5章 数据可视化
    第6章 金融时间序列
    第7章 输入/输出操作
    第8章 高性能的Python
    第9章 数学工具
    第10章 推断统计学
    第11章 统计学
    第12章 Excel集成
    第13章 面向对象和图形用户界面
    第14章 Web集成
    第3部分 衍生品分析库
    第15章 估值框架
    第16章 金融模型的模拟
    第17章 衍生品估值
    第18章 投资组合估值
    第19章 波动率期权
    附录A 精选的最佳实践
    附录B 看涨期权类
    附录C 日期和时间

     

     

    下载地址:网盘下载

     

    转载于:https://www.cnblogs.com/long12365/p/9730626.html

    展开全文
  • 内容简介 该书籍详细讲解了如何使用Python分析处理金融大数据;金融应用开发领域从业人员必读...《Python金融大数据分析》提供了使用Python进行数据分析,以及开发相关应用程序的技巧和工具。 目录章节 《Python金融...

    在这里插入图片描述

    内容简介

    该书籍详细讲解了如何使用Python分析处理金融大数据;金融应用开发领域从业人员必读。Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区,在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用,并且成为该行业开发核心应用的首选编程语言。《Python金融大数据分析》提供了使用Python进行数据分析,以及开发相关应用程序的技巧和工具。

    目录章节

    《Python金融大数据分析》总计分为3部分,共19章,第1部分介绍了Python在金融学中的应用,其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具,以及Python在计量金融学中的一些具体入门实例;第2部分介绍了金融分析和应用程序开发中最重要的Python库、技术和方法,其内容涵盖了Python的数据类型和结构、用matplotlib进行数据可视化、金融时间序列数据处理、高性能输入/输出操作、高性能的Python技术和库、金融学中需要的多种数学工具、随机数生成和随机过程模拟、Python统计学应用、Python和Excel的集成、Python面向对象编程和GUI的开发、Python与Web技术的集成,以及基于Web应用和Web服务的开发;第3部分关注的是蒙特卡洛模拟期权与衍生品定价实际应用的开发工作,其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值、波动率期权等知识。《Python金融大数据分析》适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。

    作者简介

    Yves Hilpsch是Python Quants(德国)股份有限公司的创始人和任事股东,也是Python Quants(纽约)有限责任公司的共同创办人。该集团提供基于Python的金融和衍生品分析软件(参见http://pythonquants.com,http://quant-platfrom.com,http://dx-analytics.com),以及和Python及金融相关的咨询、开发和培训服务。
    Yves还是Derivatives Analytics withPython(Wiley Finance,2015)的作者。作为获得数理金融学博士学位的商业管理专业研究生,他在萨尔州大学讲授计算金融学中的数值化方法课程。

    书籍资料下载,请关注微信公众号:深度学习技术前沿,回复 :python数据分析
    即可免费获取!
    在这里插入图片描述

    展开全文
  • 大家好!很荣幸能够在CSDN上和各位同学...而后我们选取了股票量化交易作为应用场景,由股票数据的获取、技术指标的实现,逐步进阶到策略的设计和回测,由浅入深、由技术到思维地为同学们讲解Python金融数据分析在...

    大家好!很荣幸能够在CSDN上和各位同学分享这门课程。

    本课程的核心为Python金融数据的分析,首先课程提取了数据分析工具NumPy、Pandas及可视化工具Matplotlib的关键点进行详细讲解,帮助同学们掌握数据分析的关键技能。而后我们选取了股票量化交易作为应用场景,由股票数据的获取、技术指标的实现,逐步进阶到策略的设计和回测,由浅入深、由技术到思维地为同学们讲解Python金融数据分析在股票量化交易中的应用。

    相信各位同学和我一样是一名Python爱好者。近几年来Python语言非常流行,广泛应用在不同的领域,比如无人驾驶、WEB开发、网络运维、数据分析、人工智能等等。早些年我还是使用R语言进行金融数据分析和量化交易的,大约3年前我接触到Python,发现它非常容易上手,而且有丰富的第三方库支持,可以帮助我快速解决实际问题。圈内有这么句耳熟能详的名言“life is short,we use python!”从这句名言中就可以感受到。随着Numpy、Pandas、Matplotlib等第三方库的出现用Python做金融数据分析已经成为一种趋势。目前华尔街的三大编程语言是:C、JAVA和Python,而在量化交易领域Python已经作为一种标准编程语言了。

    本门课程由我来给大家讲讲《Python金融数据分析入门到实战》。不可否认的是Python数据分析中最为基础和重要的三个库是NumPy、Pandas和Matplotlib,但是每个库都涵盖了大量的功能和使用接口,如果我们毫无侧重点地去学习,何时才能学以致用呢?事实上,我们没必要把它们全部掌握,以我在数据分析方面的实际经验,最关键的知识点覆盖了平时80%的应用场景,我们的学习路线应该根据数据分析的整体流程而设定。我们先看下数据分析的常规步骤。

    首先数据分析一定的带着某种业务上的目的开展的。在确定了数据分析的核心目的后,就要针对性地去收集样本数据。获取到数据之后,要规整化数据,包括清理、转换、合并、重塑等各个环节。这些环节中涉及到了很多Numpy和Pandas的关键点。完成了这些之后,我们就得到了比较标准的,可供下一步分析的表格型数据。数据分析是对处理过的数据进行分析,提取有价值的信息,形成有效结论的过程。Matplotlib可视化方法是最为直观地查看数据和分析数据背后含义的方法。在各个领域的数据分析过程中,都会通过可视化来观察数据的变化。最后我们展现数据分析的结果。

    本课程提取Python数据分析工具NumPy、Pandas及可视化工具Matplotlib的关键点进行详细讲解,帮助同学们掌握数据分析的关键技能,提供大家的是满满的干货。而后我们选取了股票量化交易作为应用场景,将所学的知识点学以致用,更好地与Python金融数据分析的实际应用衔接。

    结合数据分析的常规步骤,我们来了解下本课程的大纲。数据分析的目的即是从股票数据中分析出大概率下获利的数据特征。接下来由股票数据的获取、常用技术指标的实现,再逐步进阶到量化策略的设计,并且将这个策略基于一段历史股票数据进行回测,以此评估策略的可行性,通过这样一个由浅入深地方式讲解Python金融数据分析在实际的股票量化交易中的应用。

    可以看到本课程的大纲是根据数据分析的整体流程,结合由浅入深的学习过程进行设计和制定。

    所以学完这门课程,我们有以下这些收获:最大的收获是掌握了Python数据分析最为关键的NumPy、Pandas、Matplotlib关键知识点,然后下一步就可以学以致用地展开侧重于应用需求的数据分析,可以是金融量化交易方面的,也可以是公司财务数据分析、医疗数据分析等等,因为最本质的数据分析环节是相通的。

    由于我们结合了股票量化交易场景进行讲解,所以我们能够掌握股票经典技术指标的原理及Python的实现方法,绘制出股票行情分析界面来捕捉个股动向;掌握股票数据的获取、分析、特征挖掘、策略制定及回测评估的过程和方法。

    课程目录如下:

    第一章:课程导学

    开篇词。课程背景、整体大纲、学习目的和开发环境

    深入理解金融数据分析。讲解数据分析、量化交易的本质和意义

    第二章:NumPy关键点讲解

    认识N维数组ndarray对象。讲解N维数组ndarray对象的创建及其特点。

    数组的矢量化处理特性。讲解ndarray对象的矢量化处理方法及特性。

    常用的元素级处理函数。讲解常用的一些元素级处理函数的使用方法。

    随机变量分布数组的生成。讲解统计概率中伯努利分布、正态分布基础知识,以及对应的随机分布数组的生成方法。

    第三章:Pandas关键点讲解

    Series数据的生成和访问。讲解Pandas的Series数据生成的几种方法及访问的方法。

    DataFrame数据生成的几种方法。讲解Pandas的DataFrame数据生成的几种方法。

    时间序列的生成和处理。讲解Pandas下时间序列的生成及转换处理。

    DataFrame数据的全方位访问。讲解全面覆盖Pandas的DataFrame数据的几种访问方法。

    DataFrame数据的规整化处理。讲解如何对DataFrame数据进行清理、转换、合并、重塑。

    DataFrame数据的分组与聚合。讲解Pandas下的groupby对DataFrame数据分组与聚合的方法。

    DataFrame数据的高效遍历。讲解遍历DataFrame数据的常用方法,以及对比观察各个方法相应的执行效率。

    DataFrame数据的导入和导出。讲解DataFrame存储为CSV文件的方法,以及CSV文件导入为DataFrame的方法。

    第四章:Matplotlib关键点讲解

    函数式绘图方式的方法和特点。讲解什么是函数式绘图,以及函数式绘制图形的方法。

    如何绘制常用的数据分析图形。讲解如何绘制常用的数据分析图形。

    对象式绘图方式的方法和特点。对比函数式绘图的方式,讲解对象式绘图方式的方法和特点。

    如何自定义布局多子图页面。讲解如何使用对象式绘图自定义布局多子图的页面。

    第五章:基于股票数据的量化分析

    罗列获取股票数据的API。讲解目前获取股票数据常用API以及获取的数据形态。

    从源生数据绘制常用技术指标。讲解从源生的股票数据计算并绘制常用的技术指标。

    从均线指标分析股票价格的趋势。讲解基于均线指标构建量化策略,以及量化策略的回测过程。

    原文:https://mp.weixin.qq.com/s?src=11&timestamp=1576288622&ver=2033&signature=FsDnRlvLnAi5U4SCIQnh1TxtCVcUsVIAoq42prvlDsFIpxzfLfcbek9mqZeFQZCEPVeeQ4pzJbt99-prQ0q-40lRKfRrid7*Xwes1GywiPoKqtdg13SjwKkG0vTqKt&new=1
    作者:元宵大师
    出处:微信公众号

    展开全文
  • 而后我们选取了股票量化交易作为应用场景,由股票数据的获取、技术指标的实现,逐步进阶到策略的设计和回测,由浅入深、由技术到思维地为同学们讲解Python金融数据分析在股票量化交易中的应用。
  • Python金融大数据分析》总计分为3部分,共19章,第1部分介绍了Python在金融学中的应用,其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具,以及Python在计量金融学中的一些具体入门实例;...
  • 到2018年底,这已经不再是个问题:全世界的金融机构现在都尽最大努力利用Python及其强大的数据分析、可视化和机器学习程序库生态系统。在金融领域之外,Python还常常成为编程入门课程选择的语言,例如计算机科学课程...

    银行本质上是技术公司。

    ——胡戈•班齐格

    近来,Python无疑是金融业的重要策略性技术平台之一。到2018年底,这已经不再是个问题:全世界的金融机构现在都尽最大努力利用Python及其强大的数据分析、可视化和机器学习程序库生态系统。在金融领域之外,Python还常常成为编程入门课程选择的语言,例如计算机科学课程项目。

    除了容易理解的语法和多重范型方法之外,形成这一局面的主要原因之一是,Python已经成为人工智能(AI)、机器学习(ML)和深度学习(DL)领域的“头等公民”。这些领域的许多流行的软件包和程序库都直接用Python(如ML所用的scikit-learn)编写,或者用Python包装器(例如DL所用的TensorFlow)。

    金融本身正在进入一个新时代,这一发展有两个主要的推动力。首先是基本上所有金融数据都可以编程访问——一般来说,这种访问是实时的,也是催生“数据驱动金融”的原因。几十年前,大部分交易或者投资决策是由交易员和投资组合管理人推动的,这些人阅读报纸,或者通过私下交谈进行学习。此后出现了一些终端,通过计算机和电子通信,将金融数据实时传递到交易员和投资组合管理人的桌面上。今天,即使是一分钟产生的海量金融数据,个人(或者团队)都无法应付。只有处理速度和计算能力与日俱增的机器,才能应对金融数据的容量和速度。这意味着,全球大部分股票交易量是由算法和计算机驱动的,而不是来自于交易员。

    第二个主要推动力是在金融中越来越重要的人工智能。越来越多的金融机构试图利用ML和DL算法改善运营,以及它们的交易及投资表现。

    面对这一金融时代的挑战,Python是合适的编程语言和生态系统。本书涵盖有监督学习和无监督学习的基本ML算法(以及深度神经网络),但焦点是Python的数据处理和分析能力。想要全面叙述AI当前和未来在金融中的重要性,需要一整本书的篇幅。不过,大部分AI、ML和DL需要大量的数据,因此无论如何应该首先掌握数据驱动金融学。

    《Python金融大数据分析》第2版更多的是一次升级,而非更新。例如,这一版增加了关于算法交易的一整个部分(第4部分)。这一主题最近在金融业变得相当重要,在散户中也很受欢迎。本版还增加了一个入门部分(第2部分),介绍Python基本编程和数据分析,这些知识将为本书的后续几个部分奠定基础。另1方面,第一版的某些章节完全删除了。例如,关于Web技术和对应库(如Flask)的部分删除,因为现在已经有专门介绍这些知识的图书。

    金融科技、算法交易、量化金融必读书:Python金融大数据分析第2版

     

    在第2版中,我力图涵盖更多金融相关主题,聚焦于对金融数据科学、算法交易和计算金融学特别有用的Python技术。和第1版中一样,我采用的是实用方法,实现和图示先于理论细节,通常将重点放在整体上,而不是某些类、方法或者晦涩难懂的函数参数化选项。

    描述完第2版的基本方法之后,我还必须强调,这本书既不是介绍Python编程,也不是介绍一般金融知识的图书。在这两个方面,都有大量出色的知识来源。本书定位于这两个激动人心的领域相互交叉的方面,并假定读者有一定的编程(不一定是Python)和金融背景。这些读者将学习把Python及其生态系统应用于金融领域的方法。

    作者简介:

    Yves J. Hilpisch博士是Python Quants集团的创始人和管理合伙人,该集团致力于应用开源技术来解决金融数据科学、人工智能、算法交易和计算金融学等问题。他还是AI Machine公司的CEO,这个公司的专业领域是通过专属策略执行平台来利用人工智能的威力。他还是另外两本图书的作者:

    • Derivatives Analytics with Python (Wiley, 2015)
    • Listed Volatility and Variance Derivatives (Wiley, 2017)

    Yves在CQF项目讲授计算金融学课程,在EPAT项目讲授算法交易。他还是Python算法交易大学认证的首个在线培训项目的主管。

    Yves编写了DX Analytics金融分析库,并在伦敦、柏林、巴黎和纽约等地组织了关于Python计量金融学相关的聚会、会议和训练营。他曾在美国、欧洲和亚洲的技术会议上担任过主讲人。

    目录

    第 1部分 Python与金融 
    第 1章 为什么将Python用于金融 3 
    1.1 Python编程语言 3 
    1.1.1 Python简史 5 
    1.1.2 Python生态系统 6 
    1.1.3 Python用户谱系 7 
    1.1.4 科学栈 7 
    1.2 金融中的科技 8 
    1.2.1 科技投入 9 
    1.2.2 作为业务引擎的科技 9 
    1.2.3 作为进入门槛的科技和人才 10 
    1.2.4 不断提高的速度、频率和数据量 10 
    1.2.5 实时分析的兴起 11 
    1.3 用于金融的Python 12 
    1.3.1 金融和Python语法 12 
    1.3.2 Python的效率和生产率 16 
    1.3.3 从原型化到生产 20 
    1.4 数据驱动和人工智能优先的金融学 21 
    1.4.1 数据驱动金融学 21 
    1.4.2 人工智能优先金融学 24 
    1.5 结语 26 
    1.6 延伸阅读 27 
    第 2章 Python基础架构 29 
    2.1 作为包管理器使用的conda 31 
    2.1.1 安装Miniconda 31 
    2.1.2 conda基本操作 33 
    2.2 作为虚拟环境管理器的conda 37 
    2.3 使用Docker容器 41 
    2.3.1 Docker镜像和容器 41 
    2.3.2 构建Ubuntu和Python Docker镜像 42 
    2.4 使用云实例 46 
    2.4.1 RSA公钥和私钥 47 
    2.4.2 Jupyter Notebook配置文件 48 
    2.4.3 Python和Jupyter Notebook安装脚本 49 
    2.4.4 协调Droplet设置的脚本 51 
    2.5 结语 52 
    2.6 延伸阅读 53 
    第 2部分 掌握基础知识 
    第3章 数据类型与结构 57 
    3.1 基本数据类型 58 
    3.1.1 整数 58 
    3.1.2 浮点数 59 
    3.1.3 布尔值 61 
    3.1.4 字符串 65 
    3.1.5 题外话:打印和字符串替换 66 
    3.1.6 题外话:正则表达式 69 
    3.2 基本数据结构 71 
    3.2.1 元组 71 
    3.2.2 列表 72 
    3.2.3 题外话:控制结构 74 
    3.2.4 题外话:函数式编程 75 
    3.2.5 字典 76 
    3.2.6 集合 78 
    3.3 结语 79 
    3.4 延伸阅读 79 
    第4章 用NumPy进行数值计算 81 
    4.1 数据数组 82 
    4.1.1 用Python列表形成数组 82 
    4.1.2 Python array类 84 
    4.2 常规NumPy数组 86 
    4.2.1 基础知识 86 
    4.2.2 多维数组 89 
    4.2.3 元信息 93 
    4.2.4 改变组成与大小 93 
    4.2.5 布尔数组 97 
    4.2.6 速度对比 99 
    4.3 NumPy结构数组 100 
    4.4 代码向量化 102 
    4.4.1 基本向量化 102 
    4.4.2 内存布局 105 
    4.5 结语 107 
    4.6 延伸阅读 108 
    第5章 pandas数据分析 109 
    5.1 DataFrame类 110 
    5.1.1 使用DataFrame类的第 一步 110 
    5.1.2 使用DataFrame类的第二步 114 
    5.2 基本分析 118 
    5.3 基本可视化 122 
    5.4 Series类 124 
    5.5 GroupBy操作 126 
    5.6 复杂选择 128 
    5.7 联接、连接和合并 131 
    5.7.1 联接 132 
    5.7.2 连接 133 
    5.7.3 合并 135 
    5.8 性能特征 137 
    5.9 结语 139 
    5.10 延伸阅读 140 
    第6章 面向对象编程 141 
    6.1 Python对象简介 145 
    6.1.1 int 145 
    6.1.2 list 146 
    6.1.3 ndarray 146 
    6.1.4 DataFrame 148 
    6.2 Python类基础知识 149 
    6.3 Python数据模型 154 
    6.4 Vector类 158 
    6.5 结语 159 
    6.6 延伸阅读 159 
    第3部分 金融数据科学 
    第7章 数据可视化 163 
    7.1 静态2D绘图 164 
    7.1.1 一维数据集 164 
    7.1.2 二维数据集 170 
    7.1.3 其他绘图样式 177 
    7.2 静态3D绘图 184 
    7.3 交互式2D绘图 188 
    7.3.1 基本图表 188 
    7.3.2 金融图表 192 
    7.4 结语 196 
    7.5 延伸阅读 196 
    第8章 金融时间序列 197 
    8.1 金融数据 198 
    8.1.1 数据导入 198 
    8.1.2 汇总统计 201 
    8.1.3 随时间推移的变化 203 
    8.1.4 重新采样 207 
    8.2 滚动统计 209 
    8.2.1 概述 209 
    8.2.2 技术分析示例 211 
    8.3 相关分析 213 
    8.3.1 数据 213 
    8.3.2 对数回报率 214 
    8.3.3 OLS回归 216 
    8.3.4 相关 217 
    8.4 高频数据 218 
    8.5 结语 220 
    8.6 延伸阅读 220 
    第9章 输入/输出操作 221 
    9.1 Python基本I/O 222 
    9.1.1 将对象写入磁盘 222 
    9.1.2 读取和写入文本文件 225 
    9.1.3 使用SQL数据库 229 
    9.1.4 读写NumPy数组 232 
    9.2 pandas的I/O 234 
    9.2.1 使用SQL数据库 235 
    9.2.2 从SQL到pandas 237 
    9.2.3 使用CSV文件 239 
    9.2.4 使用Excel文件 240 
    9.3 PyTables的I/O 242 
    9.3.1 使用表 242 
    9.3.2 使用压缩表 250 
    9.3.3 使用数组 252 
    9.3.4 内存外计算 253 
    9.4 TsTables的I/O 256 
    9.4.1 样板数据 257 
    9.4.2 数据存储 258 
    9.4.3 数据检索 259 
    9.5 结语 261 
    9.6 延伸阅读 262 
    第 10章 高性能的Python 265 
    10.1 循环 266 
    10.1.1 Python 266 
    10.1.2 NumPy 267 
    10.1.3 Numba 268 
    10.1.4 Cython 269 
    10.2 算法 271 
    10.2.1 质数 271 
    10.2.2 斐波那契数 275 
    10.2.3 π 279 
    10.3 二叉树 283 
    10.3.1 Python 283 
    10.3.2 NumPy 285 
    10.3.3 Numba 286 
    10.3.4 Cython 287 
    10.4 蒙特卡洛模拟 288 
    10.4.1 Python 289 
    10.4.2 NumPy 291 
    10.4.3 Numba 291 
    10.4.4 Cython 292 
    10.4.5 多进程 293 
    10.5 pandas递归算法 294 
    10.5.1 Python 294 
    10.5.2 Numba 296 
    10.5.3 Cython 296 
    10.6 结语 297 
    10.7 延伸阅读 298 
    第 11章 数学工具 299 
    11.1 逼近法 299 
    11.1.1 回归 301 
    11.1.2 插值 310 
    11.2 凸优化 314 
    11.2.1 全局优化 315 
    11.2.2 局部优化 317 
    11.2.3 有约束优化 318 
    11.3 积分 320 
    11.3.1 数值积分 321 
    11.3.2 通过模拟求取积分 322 
    11.4 符号计算 323 
    11.4.1 基础知识 323 
    11.4.2 方程式 325 
    11.4.3 积分与微分 325 
    11.4.4 微分 326 
    11.5 结语 328 
    11.6 延伸阅读 328 
    第 12章 推断统计学 331 
    12.1 随机数 332 
    12.2 模拟 338 
    12.2.1 随机变量 338 
    12.2.2 随机过程 341 
    12.2.3 方差缩减 356 
    12.3 估值 359 
    12.3.1 欧式期权 359 
    12.3.2 美式期权 364 
    12.4 风险测度 367 
    12.4.1 风险价值 367 
    12.4.2 信用价值调整 371 
    12.5 Python脚本 374 
    12.6 结语 377 
    12.7 延伸阅读 377 
    第 13章 统计学 379 
    13.1 正态性检验 380 
    13.1.1 基准案例 381 
    13.1.2 真实数据 390 
    13.2 投资组合优化 396 
    13.2.1 数据 396 
    13.2.2 基本理论 398 
    13.2.3 最优投资组合 401 
    13.2.4 有效边界 404 
    13.2.5 资本市场线 405 
    13.3 贝叶斯统计 408 
    13.3.1 贝叶斯公式 409 
    13.3.2 贝叶斯回归 410 
    13.3.3 两种金融工具 414 
    13.3.4 随时更新估算值 418 
    13.4 机器学习 423 
    13.4.1 无监督学习 423 
    13.4.2 有监督学习 426 
    13.5 结语 441 
    13.6 延伸阅读 441 
    第4部分 算法交易 
    第 14章 FXCM交易平台 445 
    14.1 入门 446 
    14.2 读取数据 447 
    14.2.1 读取分笔交易数据 447 
    14.2.2 读取K线(蜡烛图)数据 449 
    14.3 使用API 451 
    14.3.1 读取历史数据 452 
    14.3.2 读取流数据 454 
    14.3.3 下单 455 
    14.3.4 账户信息 457 
    14.4 结语 457 
    14.5 延伸阅读 458 
    第 15章 交易策略 459 
    15.1 简单移动平均数 460 
    15.1.1 数据导入 460 
    15.1.2 交易策略 461 
    15.1.3 向量化事后检验 463 
    15.1.4 优化 465 
    15.2 随机游走假设 467 
    15.3 线性OLS回归 469 
    15.3.1 数据 470 
    15.3.2 回归 472 
    15.4 聚类 474 
    15.5 频率方法 476 
    15.6 分类 479 
    15.6.1 两个二元特征 479 
    15.6.2 5个二元特征 480 
    15.6.3 5个数字化特征 482 
    15.6.4 顺序训练-测试分离 484 
    15.6.5 随机训练-测试分离 485 
    15.7 深度神经网络 486 
    15.7.1 用scikit-learn实现DNN 486 
    15.7.2 用TensorFlow实现DNN 489 
    15.8 结语 492 
    15.9 延伸阅读 493 
    第 16章 自动化交易 495 
    16.1 资本管理 496 
    16.1.1 二项设定中的凯利标准 496 
    16.1.2 用于股票及指数的凯利标准 500 
    16.2 基于ML的交易策略 505 
    16.2.1 向量化事后检验 505 
    16.2.2 最优杠杆 510 
    16.2.3 风险分析 512 
    16.2.4 持久化模型对象 515 
    16.3 在线算法 516 
    16.4 基础设施与部署 518 
    16.5 日志与监控 519 
    16.6 结语 521 
    16.7 Python脚本 522 
    16.7.1 自动化交易策略 522 
    16.7.2 策略监控 525 
    16.8 延伸阅读 525 
    第5部分 衍生品分析 
    第 17章 估值框架 529 
    17.1 资产定价基本定理 529 
    17.1.1 简单示例 530 
    17.1.2 一般结果 530 
    17.2 风险中立折现 532 
    17.2.1 日期建模与处理 532 
    17.2.2 恒定短期利率 534 
    17.3 市场环境 536 
    17.4 结语 539 
    17.5 延伸阅读 540 
    第 18章 金融模型的模拟 541 
    18.1 随机数生成 542 
    18.2 通用模拟类 544 
    18.3 几何布朗运动 548 
    18.3.1 模拟类 548 
    18.3.2 用例 550 
    18.4 跳跃扩散 553 
    18.4.1 模拟类 553 
    18.4.2 用例 556 
    18.5 平方根扩散 557 
    18.5.1 模拟类 558 
    18.5.2 用例 560 
    18.6 结语 561 
    18.7 延伸阅读 563 
    第 19章 衍生品估值 565 
    19.1 通用估值类 566 
    19.2 欧式行权 570 
    19.2.1 估值类 570 
    19.2.2 用例 572 
    19.3 美式行权 577 
    19.3.1 最小二乘蒙特卡洛方法 577 
    19.3.2 估值类 578 
    19.3.3 用例 580 
    19.4 结语 583 
    19.5 延伸阅读 585 
    第 20章 投资组合估值 587 
    20.1 衍生品头寸 588 
    20.1.1 类 588 
    20.1.2 用例 590 
    20.2 衍生品投资组合 592 
    20.2.1 类 592 
    20.2.2 用例 597 
    20.3 结语 604 
    20.4 延伸阅读 605 
    第 21章 基于市场的估值 607 
    21.1 期权数据 608 
    21.2 模型检验 610 
    21.2.1 相关市场数据 611 
    21.2.2 期权建模 612 
    21.2.3 检验过程 615 
    21.3 投资组合估值 620 
    21.3.1 建立期权头寸模型 621 
    21.3.2 期权投资组合 622 
    21.4 Python代码 623 
    21.5 结语 625 
    21.6 延伸阅读 626 
    附录A 日期与时间 627 
    A.1 Python 627 
    A.2 NumPy 633 
    A.3 pandas 636 
    附录B BSM期权类 641 
    B.1 类定义 641 
    B.2 类的使用 643

    展开全文
  • 链接:https://pan.baidu.com/s/142RaYc5N-_8H_gj7Fgh42Q 密码:a56u... 如有Python视频教程的需求,请移步《分享一套适合新手的Python视频教程-Python入门到精通 附下载链接》 本书为完整版,以下为内容截图: ...
  • 第8章 高性能的Python 8.1 Python范型与性能 8.2 内存布局与性能 8.3 并行计算 8.3.1 蒙特卡洛算法 8.3.2 顺序化计算 8.4 多处理 8.5 动态编译 8.5.1 介绍性示例 8.5.2 二项式期权定价方法 8.6 用Cython进行静态...
  • 本书提供了使用Python进行数据分析,以及开发相关应用程序的技巧和工具。 前言: 同样,当今许多金融工程硕士课程(或者授予类似学位的课程)也使用Python作为核心语言之一,教授计量金融理论与可执行计算机代码之间的...
  • Python金融大数据分析》总计分为3部分,共19章,第1部分介绍了Python在金融学中的应用,其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具,以及Python在计量金融学中的一些具体入门实例;...
  • Python金融大数据分析(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1CF2NhbgpMroLhW2sTm7IJQ 提取码:clmt 复制这段内容后打开百度网盘手机App,操作更方便哦 内容简介 ······ 唯一一本详细...
  • Python金融大数据分析不久以前,在金融行业,Python作为一种编程语言和平台技术还被视为异端。相比之下,2014年有许多大型金融机构——如美国银行、美林证券的“石英”项目或者摩根大通的“雅典娜”项目——战略性地...
  • 推荐几本Python数据分析方面的书。 1、Python金融大数据分析 ...《Python金融大数据分析》提供了使用Python进行数据分析,以及开发相关应用程序的技巧和工具。 《Python金融大数据分析》总计分为3部...
  • 它的高级内建数据结构和动态类型及动态绑定相结合,使其在快速应用开发上极具吸引力,也适合于作为脚本或者“粘合剂”语言,将现有组件连接起来。Python简单、易学的语法强调可读性,因此可以降低程序维护成本。...
  • 看完这本书,自己对关联规则有了一点新的认识,不过还需要看更专业的书籍来进一步了解和掌握。对于其他的知识点,诸如pandas,numpy,...《Python金融数据分析与挖掘实战》作者:黄恒秋,张良均,谭立云,莫洁安 ...
  • 本节使用的是以CSV文件形式在本地存储的金融数据集形式为本地存储的CSV文件。从技术上讲,CSV文件是包含数据行结构的文本文件,其特征是以逗号分隔单个值。在导入数据之前,导入一些软件包并进行定制: In [1]: ...
  • Python金融数据分析入门到实战 Python高级工程师、高级项目管理师,...
1 2 3 4 5 ... 20
收藏数 7,447
精华内容 2,978