深入浅出Python量化交易实战

作品简介

本书主要以国内A股市场为例，借助第三方量化交易平台，讲述了KNN、线性模型、决策树、支持向量机、朴素贝叶斯等常见机器学习算法在交易策略中的应用，同时展示了如何对策略进行回测，以便让读者能够有效评估自己的策略。另外，本书还讲解了自然语言处理（NLP）技术在量化交易领域的发展趋势，并使用时下热门的深度学习技术，向读者介绍了多层感知机、卷积神经网络，以及长短期记忆网络在量化交易方面的前瞻性应用。本书没有从Python基础语法讲起，对于传统交易策略也只是一带而过，直接将读者带入机器学习的世界。本书适合对Python语言有一定了解且对量化交易感兴趣的读者阅读。

段小手，IBM认证AI工程师，获纽约金融学院算法交易认证。曾供职于多家知名IT企业，有多年科技项目管理及开发经验。其负责的跨境电商平台项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升专项”“北京市外贸公共服务平台”等多项政策支持。编写出版专业畅销书《深入浅出Python机器学习》。2019年至今，参与云南省公安厅数据挖掘项目，使用机器学习技术协助云南警方打击违法犯罪活动。

作品目录

• 前言
• 总有些人，不甘平凡
• 本书会带给读者什么
• 本书内容及体系结构
• 本书特色
• 本书读者对象
• 第1章　小瓦的故事——从零开始
• 1.1　何以解忧，“小富”也行
• 1.2　机器学习崛起
• 1.3　要想富，先配库
• 1.4　小结
• 第2章　小瓦的策略靠谱吗——回测与经典策略
• 2.1　对小瓦的策略进行简单回测
• 2.2　经典策略之移动平均策略
• 2.3　经典策略之海龟策略
• 2.4　小结
• 第3章　AI来了——机器学习在交易中的简单应用
• 3.1　机器学习的基本概念
• 3.2　机器学习工具的基本使用方法
• 3.3　基于机器学习的简单交易策略
• 3.4　小结
• 第4章　多来点数据——借助量化交易平台
• 4.1　数据不够，平台来凑
• 4.2　借助财务数据筛选股票
• 4.3　谁是幕后“大佬”
• 4.4　小结
• 第5章　因子来了——基本原理和用法
• 5.1　“瓦氏因子”了解一下
• 5.2　股票不知道怎么选？因子来帮忙
• 5.3　把诸多因子“打个包”
• 5.4　小结
• 第6章　因子好用吗——有些事需要你知道
• 6.1　针对投资组合获取因子值
• 6.2　因子收益分析
• 6.3　因子IC分析
• 6.4　因子换手率、因子自相关性和因子预测能力分析
• 6.5　小结
• 第7章　当因子遇上线性模型
• 7.1　什么是线性模型
• 7.2　用线性模型搞搞交易策略
• 7.3　能不能赚到钱
• 7.4　小结
• 第8章　因子遇到决策树与随机森林
• 8.1　什么是决策树和随机森林
• 8.2　哪些因子重要，决策树能告诉你
• 8.3　用重要因子和随机森林来制订策略
• 8.4　小结
• 第9章　因子遇到支持向量机
• 9.1　什么是支持向量机
• 9.2　动态因子选择策略
• 9.3　策略的回测详情
• 9.4　使用策略进行模拟交易
• 9.5　小结
• 第10章　初识自然语言处理技术
• 10.1　我们的想法是否靠谱
• 10.2　获取文本数据并简单清洗
• 10.3　中文分词，“结巴”来帮忙
• 10.4　小结
• 第11章　新闻文本向量化和话题建模
• 11.1　让机器“读懂”新闻
• 11.2　让机器告诉我们新闻说了啥
• 11.3　话题建模实战
• 11.4　小结
• 第12章　股评数据情感分析
• 12.1　机器懂我们的情感吗
• 12.2　用语料制作数据集
• 12.3　隆重推出“朴素贝叶斯”
• 12.4　小结
• 第13章　咱也“潮”一把——深度学习来了
• 13.1　开始研究前的准备
• 13.2　使用Keras对文本进行预处理
• 13.3　使用Keras构建简单神经网络
• 13.4　小结
• 第14章　再进一步——CNN和LSTM
• 14.1　先动手“撸”一个卷积神经网络
• 14.2　卷积神经网络模型详解
• 14.3　长短期记忆网络
• 14.4　小结
• 第15章　写在最后——小瓦的征程
• 15.1　可以一夜暴富了吗
• 15.2　将来要做什么
• 15.3　小结