量化交易入门与Python实践（21世纪通识教育系列教材）
定 价：39 元
丛书名：21世纪通识教育系列教材
- 作者：覃雄派 陈跃国
- 出版时间：2021/7/1
- ISBN：9787300294896
- 出 版 社：中国人民大学出版社
- 中图法分类：F830.91
- 页码：272
- 纸张：
- 版次：1
- 开本：16
本书作者从2013年起在中国人民大学为全校开设通识课“金融大数据分析与量化交易”。该课程讨论如何利用成熟的人工智能、统计分析技术给交易赋能，实现交易的自动化和智能化。在教学过程中，作者参考了现有的教材和大量其他资料，不断丰富讲义，经过整理，形成本书。
本书介绍了量化交易、股票和期货交易、基本面分析和技术分析的基本原理，在此基础上介绍机器学习、统计分析、深度学习等技术及其在量化交易中的应用。书中有丰富而又简单的实例，娓娓道来，把读者领入量化交易的大门。希望本书能引发读者思考，助力读者起跳，去构想和实现更加先进的策略，去市场上实战。
本书作为量化交易的入门书籍，适合计算机、信息、统计学、经济学、金融学等专业的本科生使用。
覃雄派，中国人民大学信息学院副教授，硕士研究生导师。主要研究方向为高性能数据库、大数据分析和信息检索。近年来主持国家自然科学基金面上项目1项，参与多项国家“863”计划、“973”计划及国家重点研发计划项目，在国内外期刊和会议上发表论文40余篇。
陈跃国，教授，博士生导师，数据工程与知识工程教育部重点实验室(中国人民大学)副主任，中国计算机学会数据库专业委员会秘书长。主要从事大数据交互式可视分析、大数据评测基准、语义搜索、知识图谱等方面的研究工作。在国内外高水平学术期刊和学术会议上发表论文60余篇。
1量化交易
1.1量化交易简介
1.2量化交易的传奇人物
1.3量化交易系统
1.4交易策略的研发、测试和上线过程
1.5量化交易系统的评价指标
1.6量化交易的核心问题
2股票与期货基础
2.1股票入门
2.2期货入门
3基本面分析和技术分析
3.1基本面分析与技术分析的共存
3.2基本面分析
3.3技术分析
4Python入门
4.1Python语言简介
4.2环境创建、安装、配置和版本
4.3Python语言入门
4.4pandas入门
4.5numpy入门
4.6几个重要的软件包
5传统机器学习初步
5.1人工智能与机器学习
5.2机器学习的流程
5.3表示模型——为机器学习准备数据
5.4机器学习模型的输出
5.5机器学习分类
5.6深度学习
5.7统计分析和机器学习的关系
5.8典型的传统机器学习算法和Python实例
6深度学习初步
6.1人工神经网络
6.2深度学习
6.3卷积神经网络
6.4循环神经网络
6.5长短期记忆神经网络
6.6RNN和LSTM的应用
6.7时间序列预测的模式
6.8单一时间序列+预测多天(n天)
6.9多时间序列+预测多天(n天)
7统计分析初步
7.1统计分析简介
7.2隐马尔可夫模型
7.3HMM用于时间序列预测的Python实例
7.4ARIMA模型
7.5ARIMA用于时间序列预测的Python实例
8数据准备
8.1通过Tushare获得国内股票价格数据
8.2通过YLoader获得美股价格数据
8.3价格数据可视化
9基于规则的交易策略
9.1基于价格与移动平均交叉的交易策略
9.2利用RSI指标判断超买、超卖的交易策略
9.3使用遗传编程自动寻找规则
10基于分类的交易策略(股票内)
11基于回归的交易策略(股票内)
11.1基于分类的交易策略(股票内)的改进
11.2基于回归的交易策略(股票内)概述
11.3代码分析
11.4运行结果
11.5改变每次购买股票的数量
11.6观察样本构造
12基于回归的交易策略(股票间)
12.1股票间的拉动作用
12.2MACD指标及其应用
12.3代码分析
12.4运行结果
12.5样本构造的讨论
13基于统计分析的交易策略
13.1基于ARIMA模型的交易策略
13.2基于HMM的交易策略
13.3ARCH和GARCH模型的应用
14交易策略参数的优化
14.1Server/Worker模式寻找最优参数
14.2Local模式寻找最优参数
14.3其他交易策略的参数优化
14.4股票之间的相关性
14.5股票之间的延迟相关性
15尝试其他算法与算法的组合
15.1尝试其他分类算法及其组合
15.2尝试其他回归算法及其组合
16基于深度学习模型的交易策略
16.1离线训练和在线预测
16.2基于深度学习模型的交易策略概述
16.3运行结果
16.4回测速度和模型更新
17其他话题
17.1实盘交易
17.2日内、隔日、中短期、长期交易
17.3高频交易
17.4风险控制和投资组合
17.5价格数据、基本面数据、宏观经济数据的获取和使用
17.6新闻、博客、自媒体的获取和多模态信息处理
17.7强化学习、深度学习的运用
17.8时间序列数据的无监督表示学习
书单推荐
