新書推薦：
《
逆风翻盘 危机时代的亿万赢家 在充满危机与风险的世界里，学会与之共舞并找到致富与生存之道
》
售價：NT$
625.0
《
工业互联网导论
》
售價：NT$
445.0
《
孤独传：一种现代情感的历史
》
售價：NT$
390.0
《
家、金钱和孩子
》
售價：NT$
295.0
《
形而上学与测量
》
售價：NT$
340.0
《
世界航母、舰载机图鉴 【日】坂本明
》
售價：NT$
340.0
《
量价关系——透视股票涨跌脉络
》
售價：NT$
340.0
![创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文](http://103.6.6.66/upload/mall/productImages/24/46/9787111746645.jpg)
《
创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文
》
售價：NT$
295.0
|
| 編輯推薦： |
金融行业已经以惊人的速度采用Python，一些大的投资银行和对冲基金使用Python来构建核心的交易和风险管理系统。本书可以帮助开发人员和量化分析人员入门Python，并指导他们掌握Python在计量金融学上的重要应用。
本书通过大量的实用示例并以一个大型的真实案例研究为基础，讲解如何为基于蒙特卡洛模拟的衍生品和风险分析开发一个成熟的框架。本书大部分内容使用了交互式的IPython Notebooks，并包含了如下主题。
基础知识：Python数据结构，NumPy数组处理、用pandas进行时间序列分析，用matplotlib可视化，用PyTables进行高性能IO操作，日期时间信息处理和精选的实践。
金融主题：使用了NumPy、SciPy和SymPy的数学技术，例如回归和优化；用于蒙特卡洛模拟、风险价值、风险信用价值计算的推断统计学；用于正态性检验、均方差投资组合优化、主成分分析（PCA）和贝叶斯回归的统计学。
特殊主题：用于金融算法的高性能Python，如向量化和并行化；Python与Excel的集成；以及构建基于Web技术的金融应用程序。
|
| 內容簡介： |
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。
《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。
|
| 關於作者： |
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。
|
| 目錄：
|
第1部分 Python与金融
第1章 为什么将Python用于金融3
1.1 Python是什么3
1.1.1 Python简史5
1.1.2 Python生态系统5
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 科技开销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9
1.2.4 不断提高的速度、频率、数据量10
1.2.5 实时分析的兴起11
1.3 用于金融的Python12
1.3.1 金融和Python语法12
1.3.2 Python的效率和生产率15
1.3.3 从原型化到生产19
1.4 结语20
1.5 延伸阅读20
第2章 基础架构和工具21
2.1 Python部署22
2.1.1 Anaconda22
2.1.2 Python Quant Platform27
2.1.3 工具30
2.1.4 Python30
2.1.5 IPython30
2.1.6 Spyder40
2.2 结语42
2.3 延伸阅读43
第3章 入门示例45
3.1 隐含波动率46
3.2 蒙特卡洛模拟54
3.2.1 纯Python56
3.2.2 用NumPy向量化57
3.2.3 利用对数欧拉方法实现全向量化59
3.2.4 图形化分析60
3.2.5 技术分析62
3.3 结语67
3.4 延伸阅读68
第2部分 金融分析和开发
第4章 数据类型和结构71
4.1 基本数据类型72
4.1.1 整数72
4.1.2 浮点数73
4.1.3 字符串75
4.2 基本数据结构77
4.2.1 元组77
4.2.2 列表78
4.2.3 离题：控制结构80
4.2.4 离题：函数式编程81
4.2.5 字典82
4.2.6 集合84
4.3 NumPy数据结构85
4.3.1 用Python列表形成数组85
4.3.2 常规NumPy数组87
4.3.3 结构数组90
4.4 代码向量化91
4.5 内存布局93
4.6 结语95
4.7 延伸阅读95
第5章 数据可视化97
5.1 二维绘图97
5.1.1 一维数据集98
5.1.2 二维数据集103
5.1.3 其他绘图样式109
5.2 金融学图表116
5.3 3D绘图119
5.4 结语122
5.5 延伸阅读122
第6章 金融时间序列123
6.1 pandas基础124
6.1.1 使用DataFrame类的**步124
6.1.2 使用DataFrame类的第二步127
6.1.3 基本分析131
6.1.4 Series类134
6.1.5 GroupBy操作135
6.2 金融数据136
6.3 回归分析142
6.4 高频数据150
6.5 结语154
6.6 延伸阅读154
第7章 输入输出操作155
7.1 Python基本IO156
7.1.1 将对象写入磁盘156
7.1.2 读写文本文件159
7.1.3 SQL数据库160
7.1.4 读写NumPy数组162
7.2 Pandas的IO164
7.2.1 SQL数据库165
7.2.2 从SQL到pandas166
7.2.3 CSV文件数据168
7.2.4 Excel文件数据169
7.3 PyTables的快速IO170
7.3.1 使用表170
7.3.2 使用压缩表175
7.3.3 使用数组176
7.3.4 内存外计算177
7.4 结语179
7.5 延伸阅读180
第8章 高性能的Python181
8.1 Python范型与性能182
8.2 内存布局与性能184
8.3 并行计算186
8.3.1 蒙特卡洛算法186
8.3.2 顺序化计算187
8.3.3 并行计算188
8.3.4 性能比较191
8.4 多处理191
8.5 动态编译193
8.5.1 介绍性示例193
8.5.2 二项式期权定价方法195
8.6 用Cython进行静态编译199
8.7 在GPU上生成随机数201
8.8 结语205
8.9 延伸阅读205
第9章 数学工具207
9.1 逼近法208
9.1.1 回归208
9.1.2 插值218
9.2 凸优化221
9.2.1 全局优化222
9.2.2 局部优化223
9.2.3 有约束优化224
9.3 积分226
9.3.1 数值积分228
9.3.2 通过模拟求取积分228
9.4 符号计算229
9.4.1 基本知识229
9.4.2 方程式230
9.4.3 积分231
9.4.4 微分232
9.5 结语233
9.6 延伸阅读233
第10章 推断统计学235
10.1 随机数236
10.2 模拟241
10.2.1 随机变量241
10.2.2 随机过程244
10.2.3 方差缩减256
10.3 估值259
10.3.1 欧式期权259
10.3.2 美式期权263
10.4 风险测度266
10.4.1 风险价值266
10.4.2 信用价值调整270
10.5 结语272
10.6 延伸阅读273
第11章 统计学275
11.1 正态性检验276
11.1.1 基准案例277
11.1.2 现实世界的数据284
11.2 投资组合优化289
11.2.1 数据290
11.2.2 基本理论291
11.2.3 投资组合优化294
11.2.4 有效边界296
11.2.5 资本市场线297
11.3 主成分分析300
11.3.1 DAX指数和30种成分股301
11.3.2 应用PCA301
11.3.3 构造PCA指数302
11.4 贝叶斯回归305
11.4.1 贝叶斯公式305
11.4.2 PyMC3306
11.4.3 介绍性示例307
11.4.4 真实数据310
11.5 结语318
11.6 延伸阅读318
第12章 Excel集成321
12.1 基本电子表格交互322
12.1.1 生成工作簿（.xls）323
12.1.2 生成工作簿（.xslx）324
12.1.3 从工作簿中读取326
12.1.4 使用OpenPyxl328
12.1.5 使用pandas读写329
12.2 用Python编写Excel脚本332
12.2.1 安装DataNitro333
12.2.2 使用DataNitro333
12.3 xlwings342
12.4 结语342
12.5 延伸阅读343
第13章 面向对象和图形用户界面345
13.1 面向对象345
13.1.1 Python类基础知识346
13.1.2 简单的短期利率类350
13.1.3 现金流序列类354
13.2 图形用户界面356
13.2.1 带GUI的短期利率类356
13.2.2 值的更新358
13.2.3 带GUI的现金流序列类360
13.3 结语362
13.4 延伸阅读362
第14章 Web集成365
14.1 Web基础知识366
14.1.1 ftplib366
14.1.2 httplib368
14.1.3 urllib369
14.2 Web图表绘制372
14.2.1 静态图表绘制372
14.2.2 交互式图表绘制374
14.2.3 实时图表绘制375
14.3 快速Web应用383
14.3.1 交易者的聊天室384
14.3.2 数据建模384
14.3.3 Python代码385
14.3.4 模板391
14.3.5 样式化396
14.4 Web服务397
14.4.1 金融模型399
14.4.2 实现400
14.5 结语406
14.6 延伸阅读406
第3部分 衍生品分析库
第15章 估值框架409
15.1 资产定价基本定理409
15.1.1 简单示例409
15.1.2 一般结果410
15.2 风险中立折现412
15.2.1 日期建模和处理412
15.2.2 固定短期利率413
15.3 市场环境415
15.4 结语418
15.5 延伸阅读419
第16章 金融模型的模拟421
16.1 随机数生成422
16.2 泛型模拟类423
16.3 几何布朗运动427
16.3.1 模拟类427
16.3.2 用例429
16.4 跳跃扩散431
16.4.1 模拟类431
16.4.2 用例434
16.5 平方根扩散435
16.5.1 模拟类435
16.5.2 用例437
16.6 结语438
16.7 延伸阅读440
第17章 衍生品估值441
17.1 泛型估值类441
17.2 欧式行权445
17.3 估值类445
17.4 美式行权451
17.4.1 *小二乘蒙特卡洛方法451
17.4.2 估值类453
17.4.3 用例454
17.5 结语457
17.6 延伸阅读458
第18章 投资组合估值459
18.1 衍生品头寸460
18.1.1 类460
18.1.2 用例462
18.2 衍生品投资组合463
18.2.1 类463
18.2.2 用例467
18.3 结语472
18.4 延伸阅读474
第19章 波动率期权475
19.1 VSTOXX数据476
19.1.1 VSTOXX指数数据476
19.1.2 VSTOXX期货数据477
19.1.3 VSTOXX期权数据479
19.2 模型检验480
19.2.1 相关市场数据480
19.2.2 期权建模481
19.2.3 检验过程483
19.3 基于VSTOXX的美式期权487
19.3.1 期权头寸建模487
19.3.2 期权投资组合488
19.4 结语489
19.5 延伸阅读490
附录A 精选的**实践491
附录B 看涨期权类499
附录C 日期和时间503
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
