新書推薦：
《
微观经济学（第三版）【2024诺贝尔经济学奖获奖者作品】
》
售價：NT$
709.0
《
Python贝叶斯深度学习
》
售價：NT$
407.0
《
文本的密码：社会语境中的宋代文学
》
售價：NT$
306.0
《
启微·狂骉年代：西洋赛马在中国
》
售價：NT$
357.0
《
有趣的中国古建筑
》
售價：NT$
305.0
《
十一年夏至
》
售價：NT$
347.0
《
如何打造成功的商业赛事
》
售價：NT$
407.0
《
万千教育学前·透视学前儿童的发展：解析幼儿教师常问的那些问题
》
售價：NT$
265.0
|
| 編輯推薦： |
|
人工智能 量化交易，未来金融市场的趋势机构和大户的工具，散户赚钱是偶然，机构和大户赚钱是必然的结果揭示智能量化交易实战精髓，新手交易获利更容易详解智能量化交易实战应用难题，多位专家合力编著
|
| 內容簡介： |
|
本书首先讲解人工智能的基础知识，即什么是人工智能，为什么要学习人工智能，什么是智能，智能类型，人工智能的研究与应用领域，为什么使用Python 来开发人工智能，利用量化交易平台编写Python 程序，人工智能的发展历史；然后讲解Python 编程基础和人工智能的三个重要的包，即Numpy 包、Pandas 包和Matplotlib 包；接着讲解5 种机器学习算法，即决策树、随机森林、支持向量机（SVM）、朴素贝叶斯和人工智能的神经网络；然后讲解Python 量化交易策略的编写、获取数据函数、Python 基本面量化选股、Python 量化择时的技术指标函数、Python 量化交易策略的回测技巧、Python 量化交易策略的机器学习方法应用；*后讲解Python 量化交易策略的因子分析技巧和Python 量化交易策略实例。在讲解过程中既考虑读者的学习习惯，又通过具体实例剖析讲解人工智能在量化交易应用中的热点问题、关键问题及种种难题。本书适用于各种投资者，如股民、期民、中小散户、职业操盘手和专业金融评论人士，更适用于那些有志于在这个充满风险、充满寂寞的征程上默默前行的征战者和屡败屡战、愈挫愈勇并最终战胜失败、战胜自我的勇者。
|
| 關於作者： |
|
李晓波，从事金融衍生品市场交易及管理近20年，有着丰富的经验和体会，对国内外贵金属、外汇、邮币卡、大宗商品及股市等主流交易方式有着深刻的了解，擅长股票、期货、黄金、白银、邮币卡、外汇的培训指导，经常活跃在各大金融讲坛，深为投资者喜爱。可为个人投资者及机构提供分析、投资咨询，交易指导，理财培训等多方位的专业服务。
|
| 目錄：
|
第1章 人工智能快速入门 1
1.1 初识人工智能 2
1.1.1 什么是人工智能 2
1.1.2 为什么要学习人工智能 2
1.2 智能概述 4
1.2.1 智能类型 4
1.2.2 智能的组成 6
1.3 人工智能的研究与应用领域 8
1.3.1 专家系统 8
1.3.2 自然语言理解 9
1.3.3 机器学习 9
1.3.4 机器定理证明 10
1.3.5 自动程序设计 11
1.3.6 分布式人工智能 12
1.3.7 机器人学 13
1.3.8 模式识别 14
1.3.9 人机博弈 14
1.3.10 计算机视觉 15
1.3.11 软计算 15
1.3.12 智能控制 16
1.3.13 智能规划 17
1.4 人工智能的开发语言 18
1.4.1 为什么使用Python来开发人工智能 18
1.4.2 Python的下载和安装 18
1.4.3 Python程序的编写 21
1.4.4 利用量化交易平台编写Python程序 24
1.5 人工智能的发展历史 27
1.5.1 计算机时代 27
1.5.2 大量程序 28
1.5.3 强弱人工智能 29
第2章 Python 编程基础 31
2.1 Python的基本数据类型 32
2.1.1 数值类型 32
2.1.2 字符串 34
2.2 变量与赋值 37
2.2.1 变量命名规则 37
2.2.2 变量的赋值 38
2.3 Python的基本运算 39
2.3.1 算术运算 39
2.3.2 赋值运算 41
2.3.3 位运算 42
2.4 Python的选择结构 43
2.4.1 关系运算 43
2.4.2 逻辑运算 45
2.4.3 if 语句 46
2.4.4 嵌套 if 语句 48
2.5 Python的循环结构 49
2.5.1 while循环 50
2.5.2 while 循环使用else语句 51
2.5.3 无限循环 51
2.5.4 for循环 52
2.5.5 在for循环中使用range函数 53
2.5.6 break语句 54
2.5.7 continue语句 55
2.5.8 pass语句 56
2.6 Python的特征数据类型 57
2.6.1 列表 57
2.6.2 元组 61
2.6.3 字典 63
2.6.4 集合 64
2.7 Python的函数 67
2.7.1 函数的定义与调用 67
2.7.2 参数传递 69
2.7.3 匿名函数 71
2.7.4 变量作用域 72
2.8 Python的面向对象 73
2.8.1 面向对象概念 73
2.8.2 类与实例 74
2.8.3 模块的引用 77
2.9 Python的代码格式 78
2.9.1 代码缩进 78
2.9.2 代码注释 79
2.9.3 空行 79
2.9.4 同一行显示多条语句 79
第3章 人工智能的Numpy 包 81
3.1 初识Numpy包 82
3.2 ndarray数组基础 82
3.2.1 创建Numpy数组 83
3.2.2 Numpy特殊数组 86
3.2.3 Numpy序列数组 90
3.2.4 Numpy数组索引 91
3.2.5 Numpy数组运算 92
3.2.6 Numpy数组复制 93
3.3 Numpy的矩阵 94
3.4 Numpy的线性代数 96
3.4.1 两个数组的点积 96
3.4.2 两个向量的点积 97
3.4.3 一维数组的向量内积 97
3.4.4 矩阵的行列式 98
3.4.5 矩阵的逆 100
3.5 Numpy的文件操作 101
第4章 人工智能的Pandas 包 105
4.1 Pandas的数据结构 106
4.2 一维数组系列（Series） 106
4.2.1 创建一个空的系列（Series） 106
4.2.2 从ndarray创建一个系列（Series） 107
4.2.3 从字典创建一个系列（Series） 109
4.2.4 从有位置的系列（Series）中访问数据 109
4.2.5 使用标签检索数据 110
4.3 二维数组DataFrame 111
4.3.1 创建DataFrame 111
4.3.2 数据的查看 112
4.3.3 数据的选择 116
4.3.4 数据的处理 122
4.4 三维数组Panel 124
第5章 人工智能的Matplotlib 包 127
5.1 Matplotlib包的优点 128
5.2 figure函数的应用 128
5.2.1 figure函数的各参数意义
128
5.2.2 figure函数的实例 129
5.3 plot函数的应用 131
5.3.1 plot函数的各参数意义
131
5.3.2 plot函数的实例 132
5.4 subplot函数的应用 133
5.4.1 subplot的各参数意义 134
5.4.2 subplot的实例 134
5.5 add_axes方法的应用 135
5.6 legend函数的应用 137
5.7 设置字体格式 139
5.8 设置线条的宽度和颜色 140
5.9 坐标轴网格 142
5.10 绘制柱状图 143
5.11 绘制色图和等高线图 144
5.12 绘制立体三维图形 146
第6章 决策树和随机森林 151
6.1 决策树 152
6.1.1 什么是决策树 152
6.1.2 决策树的组成 153
6.1.3 决策树的优点 153
6.1.4 决策树的缺点 154
6.1.5 决策树的构造 154
6.1.6 纯度判断方法 155
6.1.7 决策树的剪枝 162
6.1.8 利用Python代码实现决策树 163
6.2 随机森林 167
6.2.1 随机森林的构建 167
6.2.2 随机森林的优缺点 168
6.2.3 随机森林的应用范围 168
6.2.4 利用Python代码实现随机森林
169
第7章 支持向量机（SVM）和朴素贝叶斯 173
7.1 支持向量机（SVM） 174
7.1.1 什么是支持向量机（SVM） 174
7.1.2 支持向量机（SVM）的工作原理 174
7.1.3 核函数 175
7.1.4 支持向量机SVM的优点 177
7.1.5 支持向量机SVM的缺点 177
7.1.6 利用Python代码实现支持向量机SVM
177
7.2 朴素贝叶斯 182
7.2.1 什么是朴素贝叶斯 182
7.2.2 朴素贝叶斯的算法思想 182
7.2.3 朴素贝叶斯的算法步骤 183
7.2.4 朴素贝叶斯的优缺点 184
7.2.5 利用Python代码实现高斯朴素贝叶斯
184
7.2.6 利用Python代码实现多项式分布朴素贝叶斯 187
7.2.7 利用Python代码实现伯努力朴素贝叶斯
188
第8章 人工智能的神经网络 191
8.1 初识人工神经网络 192
8.1.1 什么是人工神经网络 192
8.1.2 大脑中的神经元细胞和神经元细胞网络
192
8.1.3 人工神经网络的基本特征 193
8.1.4 人工神经网络的特点 195
8.2 人工神经网络的算法 195
8.3 神经网络库Pybrain 197
8.3.1 神经网络的创建 197
8.3.2 神经网络的数据集定义 201
8.3.3 训练神经网络 202
8.3.4 循环神经网络 204
8.4 人工神经网络实例 205
第9章 Python 量化交易策略的编写 209
9.1 Python量化交易策略的组成
210
9.1.1 初始化函数（initialize） 211
9.1.2 开盘前运行函数（before_market_open） 212
9.1.3 开盘时运行函数（market_open） 213
9.1.4 收盘后运行函数（after_market_close） 214
9.2 Python量化交易策略的设置函数
214
9.2.1 设置基准函数 215
9.2.2 设置佣金印花税函数 215
9.2.3 设置滑点函数 217
9.2.4 设置动态复权（真实价格）模式函数
217
9.2.5 设置成交量比例函数 218
9.2.6 设置是否开启盘口撮合模式函数 218
9.2.7 设置要操作的股票池函数 218
9.3 Python量化交易策略的定时函数
219
9.3.1 定时函数的定义及分类 219
9.3.2 定时函数各项参数的意义 219
9.3.3 定时函数的注意事项 220
9.3.4 定时函数的实例 221
9.4 Python量化交易策略的下单函数
222
9.4.1 按股数下单函数 222
9.4.2 目标股数下单函数 223
9.4.3 按价值下单函数 223
9.4.4 目标价值下单函数 224
9.4.5 撤单函数 224
9.4.6 获取未完成订单函数 225
9.4.7 获取订单信息函数 225
9.4.8 获取成交信息函数 226
9.5 Python量化交易策略的日志log
226
9.5.1 设定log级别 226
9.5.2 log.info 227
9.6 Python量化交易策略的常用对象
227
9.6.1 Order对象 227
9.6.2 全局对象g 228
9.6.3 Trade对象 229
9.6.4 tick对象 229
9.6.5 Context对象 230
9.6.6 Position对象 231
9.6.7 SubPortfolio对象 232
9.6.8 Portfolio对象 233
9.6.9 SecurityUnitData对象 233
第10章 Python 量化交易策略的获取数据函数 235
10.1 获取股票数据的history函数 236
10.1.1 各项参数的意义 236
10.1.2 history函数的应用实例 238
10.2 获取一只股票数据的attribute_history
函数 241
10.3 查询一个交易日股票财务数据的get_fundamentals
函数 242
10.3.1 各项参数的意义 242
10.3.2 get_fundamentals 函数的应用实例 243
10.4 查询股票财务数据的get_fundamentals_continuously
函数 249
10.5 获取股票特别数据的get_current_data
函数 250
10.6 获取指数成分股代码的get_index_stocks
函数 251
10.6.1 各项参数的意义 251
10.6.2 get_index_stocks 函数的应用实例 252
10.7 获取行业成分股代码的get_industry_stocks函数 253
10.8 获取概念成本股代码的get_concept_stocks
函数 255
10.9 获取所有数据信息的get_all_securities函数 256
10.9.1 各项参数的意义 256
10.9.2 get_all_securities函数的应用实例 257
10.10 获取一只股票信息的get_security_info
函数 259
10.11 获取龙虎榜数据的get_billboard_list
函数 260
10.11.1 各项参数的意义 260
10.11.2 get_billboard_list函数的应用实例 261
10.12 获取限售解禁数据的get_locked_shares
函数 262
第11章 Python 基本面量化选股 265
11.1 初识量化选股 266
11.2 成长类因子选股 266
11.2.1 营业收入同比增长率选股 266
11.2.2 营业收入环比增长率选股 268
11.2.3 净利润同比增长率选股 269
11.2.4 净利润环比增长率选股 270
11.2.5 营业利润率选股 271
11.2.6 销售净利率选股 272
11.2.7 销售毛利率选股 273
11.3 规模类因子选股 274
11.3.1 总市值选股 274
11.3.2 流通市
|
| 內容試閱：
|
随着计算机技术的发展，人工智能已经从科幻逐步走入现实。从1956年人工智能这个概念被首次提出以来，人工智能的发展几经沉浮。随着核心算法的突破、计算能力的迅速提高，以及海量互联网数据的支撑，人工智能终于在21世纪的第二个十年里迎来质的飞跃，成为全球瞩目的科技焦点。在政府积极引导和企业战略布局等推动下，人工智能产业从无到有，规模快速壮大，创新能力显著增强，服务能力大幅提升，应用范畴不断拓展，并为云计算、大数据、物联网、量化交易等新兴领域的发展提供了基础支撑。与此同时，对人工智能人才的需求也极为迫切。
以美国为主的成熟资本市场，量化交易占比超过50%，量化对冲基金已经成为资管行业中的翘楚。中国的量化交易起步较晚，量化交易在证券市场占比还不足5%。随着科技的进步，中国的量化交易市场正在快速发展。
目前我国的量化交易主要应用在商品期货上。随着股指期货的上市，期货市场和证券市场实现了真正意义上的互动，投资者不仅可以在期货市场上进行投机交易，同时可以在期货与股票之间进行套利交易。利用量化交易对股指期货进行操作将会是投资者（尤其是机构投资者）的一个重要的发展方向。
| 内容结构
本书共16章，具体章节安排如下。
第1章：讲解人工智能的基础知识，即什么是人工智能，为什么要学习人工智能，什么是智能，智能类型，人工智能的研究与应用领域，为什么使用Python来开发人工智能，利用量化交易平台编写Python程序，人工智能的发展历史。
第2章到第5章：讲解Python编程基础和人工智能的三个重要的包，即Numpy包、Pandas包和Matplotlib包。
第6章到第8章：讲解5种机器学习算法，即决策树、随机森林、支持向量机SVM、朴素贝叶斯和人工智能的神经网络。
第9章到第14章：讲解Python量化交易策略的编写、获取数据函数、Python基本面量化选股、Python量化择时的技术指标函数、Python量化交易策略的回测技巧、Python量化交易策略的机器学习方法应用。
第15章到第16 章：讲解Python量化交易策略的因子分析技巧和Python量化交易策略实例。
| 内容特色
本书的特色归纳如下。
（1）实用性：本书首先着眼于人工智能在量化交易中的实战应用，然后再探讨深层次的技巧问题。
（2）详尽的例子：本书附有大量的例子，通过这些例子介绍知识点。每个例子都是作者精心选择的，投资者反复练习，举一反三，就可以真正掌握人工智能在量化交易中的实战技巧，从而学以致用。
（3）全面性：本书包含了人工智能和量化交易的所有知识，分别是人工智能基础知识、Python编程基础、Numpy包、Pandas包、Matplotlib
包、决策树、随机森林、支持向量机SVM、朴素贝叶斯、人工智能的神经网络、Python量化交易策略的编写、获取数据函数、Python基本面量化选股、Python量化择时的技术指标函数、Python量化交易策略的回测技巧、Python量化交易策略的机器学习方法应用、Python量化交易策略的因子分析技巧和Python量化交易策略实例。
| 适合读者
本书适用于各种投资者，如股民、期民、中小散户、职业操盘手和专业金融评论人士，更适用于那些有志于在这个充满风险、充满寂寞的征程上默默前行的征战者和屡败屡战、愈挫愈勇并最终战胜失败、战胜自我的勇者。
|
|
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
