新書推薦：
《
汉字理论与汉字阐释概要 《说解汉字一百五十讲》作者李守奎新作
》
售價：NT$
347.0
《
汗青堂丛书144·决战地中海
》
售價：NT$
765.0
《
逝去的武林（十周年纪念版 武学宗师 口述亲历 李仲轩亲历一九三零年代武人言行录）
》
售價：NT$
250.0
《
唐代冠服图志（百余幅手绘插画 图解唐代各类冠服 涵盖帝后 群臣 女官 士庶 军卫等 展现唐代社会风貌）
》
售價：NT$
398.0
《
知宋·宋代之科举
》
售價：NT$
454.0
《
那本书是（吉竹伸介与又吉直树 天才联动！）
》
售價：NT$
454.0
《
传播的跃迁：人工智能如何革新人类的交流
》
售價：NT$
505.0
《
纯粹·古代中国的历史与制度
》
售價：NT$
286.0
|
| 編輯推薦： |
1.金融大数据分析新模式：让金融大数据分析更高效、更快捷、更完美。
2.全流程解析：涵盖架构设计的不同应用场景，介绍从金融大数据分析Python基础、获取、基础库、数据库，再到预处理与清洗、分析、建模等关键环节。
3.实战检验：ChatGPT结合多种金融大数据分析工具及案例实操讲解，理解更加透彻。
4.快速提高金融大数据分析效率：揭秘ChatGPT与金融大数据分析高效融合的核心方法论和实践经验。
5.赠送资源：赠送教学视频及配套工具，供读者下载学习。
|
| 內容簡介： |
《AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀》是一本针对金融领域的数据分析和机器学习应用的实用指南。《AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀》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《AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀》，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原理和方法。无论是金融行业 从业者还是数据分析员，都可以从《AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀》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。无论是对于初学者还是有一定经验的专业人士，《AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀》都能够提供实用的案例和技巧，帮助读者更好地应用ChatGPT和其他技术解决金融领域的实际问题。
|
| 關於作者： |
关东升
----------------------------
关东升，在IT领域有20多年的开发经验，软件架构师、高级培训讲师、IT作家。熟悉Java、Kotlin、Python、iOS、Android、游戏开发、数据库开发与设计、软件架构设计等多种IT技术。参与设计和开发北京市公交一卡通百亿级大型项目，开发国家农产品追溯系统、金融系统微博等移动客户端项目。近期为中国移动、中国联通、南方航空、中石油、工商银行、平安银行和天津港务局等企事业单位授课。著有《看漫画学Python：有趣、有料、好玩、好用（全彩版）》《漫画Java》《Java 从小白到大牛》《Python 从小白到大牛》《iOS 开发指南》等50多部计算机书籍。
|
| 目錄：
|
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2
1.1.1 案例1：生成数据清洗和预处理代码示例2
1.1.2 案例2：生成特征工程代码示例3
1.2 ChatGPT回答金融领域知识的案例3
1.2.1 案例3：解答金融市场知识4
1.2.2 案例4：解释经济学理论4
1.2.3 案例5：解答金融产品相关问题5
1.2.4 案例6：解答金融风险管理相关问题5
1.3 ChatGPT辅助发现数据中的模式和特征6
1.4 本章总结6
第2章
金融大数据分析Python基础
2.1 Python解释器8
2.2 IDE工具10
2.2.1 安装Jupyter Notebook10
2.2.2 启动Jupyter Notebook11
2.3 第一个Python程序13
2.3.1 编写脚本文件运行第一个Python程序13
2.3.2 使用Jupyter Notebook编写和运行第一个Python程序13
2.4 Python语法基础14
2.4.1 标识符14
2.4.2 关键字14
2.4.3 变量声明15
2.4.4 语句15
2.4.5 Python代码块16
2.4.6 模块16
2.5 数据类型与运算符18
2.5.1 数据类型18
2.5.2 运算符20
2.6 控制语句24
2.6.1 分支语句24
2.6.2 循环语句26
2.6.3 跳转语句28
2.7 序列29
2.7.1 索引操作 30
2.7.2 序列切片31
2.7.3 可变序列——列表32
2.7.4 不可变序列——元组33
2.7.5 列表推导式34
2.8 集合35
2.8.1 创建集合35
2.8.2 集合推导式36
2.9 字典36
2.9.1 创建字典37
2.9.2 字典推导式38
2.10 字符串类型38
2.10.1 字符串表示方式38
2.10.2 字符串格式化40
2.11 函数40
2.11.1 匿名函数与lambda表达式41
2.11.2 数据处理中的两个常用函数43
2.12 文件操作44
文件读写45
2.13 异常处理48
2.13.1 捕获异常48
2.13.2 释放资源49
2.14 多线程52
创建线程52
2.15 本章总结55
第3章
金融大数据的获取
3.1 金融大数据概述57
3.1.1 数据来源57
3.1.2 数据采集工具和技术58
3.2 网络爬虫58
3.2.1 网络爬虫原理58
3.2.2 网络爬虫的应用59
3.2.3 使用urllib爬取静态网页数据59
3.2.4 案例1：爬取纳斯达克股票数据60
3.3 解析数据62
3.3.1 使用BeautifulSoup库63
3.3.2 案例2：解析纳斯达克股票数据63
3.3.3 使用Selenium爬取动态网页数据67
3.3.4 案例3：爬取搜狐证券贵州茅台股票数据69
3.3.5 案例4：使用Selenium解析HTML数据71
3.4 使用API调用获取数据72
3.4.1 常见的金融数据API73
3.4.2 使用TushareAPI获取数据74
3.4.3 案例5：使用Tushare API获取贵州茅台股票数据74
3.5 使用ChatGPT辅助获取数据76
3.5.1 案例6：使用ChatGPT解释和理解数据格式76
3.5.2 案例7：使用ChatGPT提供数据处理示例代码77
3.5.3 案例8：使用ChatGPT帮助解决数据获取问题79
3.6 本章总结80
第4章
金融大数据基础库：NumPy
4.1 NumPy库82
4.1.1 为什么选择NumPy82
4.1.2 安装NumPy库83
4.2 创建数组83
4.2.1 创建一维数组83
4.2.2 指定数组数据类型84
4.2.3 创建一维数组更多方式85
4.2.4 使用arange函数85
4.2.5 等差数列与linspace函数86
4.2.6 等比数列与logspace函数88
4.3 二维数组 89
创建二维数组89
4.4 创建二维数组更多方式90
4.4.1 使用ones函数90
4.4.2 使用zeros函数91
4.4.3 使用empty函数91
4.4.4 使用full函数92
4.4.5 使用identity函数93
4.4.6 使用eye函数94
4.5 数组的属性95
4.6 数组的轴95
4.7 三维数组96
4.8 访问数组96
4.8.1 索引访问96
4.8.2 切片访问98
4.8.3 花式索引100
4.9 本章总结100
第5章
金融大数据分析库：Pandas
5.1 Pandas库介绍102
5.1.1 为什么选择Pandas102
5.1.2 安装Pandas库103
5.2 Series数据结构103
5.2.1 理解Series数据结构103
5.2.2 创建Series对象104
5.2.3 访问Series数据106
5.2.4 通过下标访问Series数据107
5.2.5 通过切片访问Series数据107
5.3 DataFrame数据结构110
创建DataFrame对象110
5.4 访问DataFrame数据113
5.4.1 访问DataFrame列113
5.4.2 访问DataFrame行114
5.4.3 切片访问115
5.5 本章总结116
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118
6.1.1 使用ChatGPT辅助数据清洗118
6.1.2 案例1：使用ChatGPT辅助分析股票数据119
6.1.3 案例2：处理股票数据缺失值问题120
6.1.4 案例3：处理股票数据类型不一致问题123
6.1.5 案例4：处理股票数据异常值问题124
6.2 本章总结125
第7章
金融大数据的存储
7.1 使用MySQL数据库127
7.1.1 MySQL数据库管理系统127
7.1.2 安装MySQL8数据库128
7.1.3 客户端登录服务器130
7.1.4 图形界面客户端工具130
7.1.5 安装PyMySQL库135
7.1.6 访问数据库的一般流程136
7.1.7 案例1：访问苹果股票数据138
7.2 使用Pandas读写MySQL数据库141
7.2.1 示例2：使用Panda从数据库读取股票数据141
7.2.2 示例3：使用Pandas写入股票数据到数据库143
7.3 使用Pandas读写Excel文件144
7.3.1 示例4：使用Pandas从Excel文件读取股票数据144
7.3.2 示例5：使用Pandas写入股票数据到Excel文件145
7.4 使用Pandas读写CSV文件146
7.4.1 案例6：从CSV文件读取货币供应量数据147
7.4.2 示例7：使用Pandas写入股票数据到CSV文件148
7.5 JSON数据交换格式149
7.5.1 JSON文档结构149
7.5.2 JSON数据编码150
7.5.3 JSON数据解码153
7.5.4 案例8：解码搜狐证券贵州茅台股票数据154
7.6 本章总结156
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158
8.2 金融大数据可视化方法和图表类型158
8.3 使用Matplotlib绘制图表159
8.3.1 安装Matplotlib159
8.3.2 图表的基本构成要素160
8.3.3 绘制折线图160
8.3.4 绘制柱状图161
8.3.5 绘制饼状图162
8.3.6 绘制散点图163
8.3.7 绘制子图表164
8.3.8 案例1：绘制贵州茅台股票历史成交量折线图167
8.3.9 案例2：绘制贵州茅台股票OHLC折线图169
8.4 mplfinance库170
8.4.1 K线图170
8.4.2 绘制K线图171
8.4.3 案例3：绘制贵州茅台股票K线图171
8.5 绘制移动平均线图172
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173
8.5.2 案例5：绘制K线图 移动平均线图175
8.6 本章总结177
第9章
金融大数据可视化进阶库：Seaborn
9.1 Seaborn库概述179
9.1.1 使用Seaborn图表的主要优点179
9.1.2 安装Seaborn库179
9.1.3 设置Seaborn的样式180
9.2 箱线图181
9.3 小提琴图182
9.4 关联线图183
9.5 关联散点图184
9.6 密度图186
9.7 Dist图187
9.8 线性回归图188
9.9 热力图189
9.10 本章总结191
第10章
金融大数据分析
10.1 ChatGPT辅助金融大数据分析193
10.2 数据的统计分析方法194
10.3 描述统计分析194
10.3.1 在Pandas中常用的描述统计方法195
10.3.2 案例1：使用描述统计方法分析贵州茅台股票数据198
10.4 频数分析203
10.4.1 案例2：分析信用卡交易金额的频数分布204
10.4.2 案例3：分析贵州茅台股票交易量频数分布205
10.5 相关性分析206
10.5.1 案例4：股票行业相关性分析207
10.5.2 案例5：使用ChatGPT辅助分析皮尔逊相关系数208
10.6 时间序列分析209
10.6.1 案例6：采用MA分析贵州茅台股票的价格走势210
10.6.2 案例7：采用AR分析贵州茅台股票的价格走势218
10.7 本章总结223
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225
11.1.1 机器学习策略分类225
11.1.2 Python机器学习库226
11.1.3 机器学习策略的实施过程227
11.2 案例1：使用Scikit-learn分类策略预测苹果股票走势228
11.3 案例2：使用Scikit-learn回归策略预测苹果股票走势233
11.4 案例3：使用Keras深度学习库预测苹果股票走势241
11.5 本章总结250
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252
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252
12.1.2 案例2：ChatGPT应用于金融领域中的个性化建议和推荐254
12.1.3 案例3：ChatGPT应用于金融领域中的自动化投资助理254
12.2 ChatGPT在金融领域中的情感分析和舆情监测方面的应用256
12.2.1 案例4：ChatGPT在金融市场情感分析中的应用256
12.2.2 案例5：ChatGPT在舆情监测中的应用257
12.3 ChatGPT在金融领域中的文档处理方面的应用258
12.4 与ChatGPT对话的文本语言——Markdown259
12.4.1 Markdown基本语法259
12.4.2 使用Markdown工具 262
12.4.3 案例6：利用ChatGPT撰写ABC银行年度财务报告265
12.4.4 将Markdown格式文档转换为Word文档267
12.4.5 将Markdown格式文档转换为PDF文档268
12.4.6 案例7：利用ChatGPT生成ABC银行资产负债表269
12.5 本章总结273
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275
13.1.1 案例背景275
13.1.2 有关汇率的基本概念275
13.1.3 收集数据276
13.1.4 案例实现过程277
13.2 实践案例2：基于深度学习的黄金期货价格预测282
13.2.1 有关期货的基本概念282
13.2.2 期货交易中的多头和空头策略及其风险管理283
13.2.3 收集数据283
13.2.4 案例实现过程285
13.3 实践案例3：基于深度学习的比特币价格预测291
13.3.1 数字货币相关的基本概念292
13.3.2 收集数据292
13.3.3 案例实现过程293
13.4 本章总结302
|
| 內容試閱：
|
在当今信息爆炸的时代，金融界正面临前所未有的挑战和机遇。海量的数据不断涌现，为金融领域带来了巨大的潜力，同时也带来了前所未有的复杂性和难题。然而，正是在这个充满挑战的环境下，人工智能技术崭露头角，为金融大数据分析提供了一种全新的解决方案。
本书将带您深入探索AI时代金融大数据分析的奥秘，特别聚焦于一种引人瞩目的技术——ChatGPT。作为一种基于深度学习的自然语言处理模型，ChatGPT能够模拟人类对话，具备自动问答、数据解释和解决问题的能力。而在金融领域，它的应用潜力更是无限。
通过ChatGPT，我们能够从庞大的金融数据中发现隐藏的模式和规律，挖掘有价值的信息。它可以帮助我们清洗和预处理数据，解决数据中的缺失值、类型不一致和异常值等问题。它还可以辅助我们进行数据的可视化分析，将复杂的数据呈现为直观、易于理解的图表和图像。
更令人激动的是，ChatGPT还具备智能助理的功能，能够根据用户需求提供个性化建议和推荐。无论是投资决策、风险管理还是资产配置，ChatGPT都能够为金融从业者提供宝贵的参考意见。它可以成为您的得力助手，助您在金融市场中披荆斩棘，抓住每一个机遇。
在本书中，笔者将深入探讨ChatGPT在金融大数据分析中的作用和潜力。通过丰富的案例和实践，笔者将带您逐步了解其工作原理、应用场景和最佳实践。本书将探索大数据与金融的完美融合，揭示这一融合对金融领域的革新和改变。
无论您是金融行业从业者、数据分析人员还是对人工智能和金融领域感兴趣的读者，本书都将为您打开一扇通向AI时代金融大数据分析的大门。让我们一同揭开金融大数据分析的神秘面纱，探索ChatGPT的无限潜力，为金融领域的未来发展贡献自己的一份力量。
愿本书成为您探索金融大数据分析的指南，引领您进入AI时代的精彩旅程！
祝阅读愉快！
关东升
|
|
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
