万本电子书0元读

万本电子书0元读

顶部广告

Python金融数据分析(原书第2版)电子书

售       价:¥

38人正在读 | 0人评论 6.2

作       者:(新加坡)马伟明(James Ma Weiming)

出  版  社:机械工业出版社

出版时间:2021-04-01

字       数:12.9万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(2条)
  • 读书简介
  • 目录
  • 累计评论(2条)
本书介绍如何利用新的程序语言进行金融建模并实现复杂的数据运算。书中讲授的程序工具与数据均可以通过公开渠道获取,通过建模与研究分析,你会对整个Python生态体系有全局性的认识。大量的实例分析也会加深你对金融风险管控的认知。
目录展开

版权页

目录

前言

审校者简介

第一部分 开始学习Python

第1章 Python金融分析概述

1.1 安装Python

1.1.1 准备一个虚拟环境

1.1.2 运行Jupyter Notebook

1.1.3 关于Python的其他建议

1.2 Quandl简介

1.3 绘制时间序列图

1.3.1 从Quandl检索数据集

1.3.2 绘制收盘价与成交量的关系图

1.3.3 绘制烛台图

1.4 对时间序列数据进行金融分析

1.4.1 绘制收益率图

1.4.2 绘制累积收益率图

1.4.3 绘制直方图

1.4.4 绘制波动率图

1.4.5 Q-Q图

1.4.6 下载多个时间序列数据

1.4.7 显示相关矩阵

1.4.8 绘制相关性图

1.4.9 简单的移动平均线

1.4.10 指数移动平均

1.5 总结

第二部分 金融概念

第2章 金融中的线性问题

2.1 资本资产定价模型与证券市场线

2.2 套利定价理论模型

2.3 因子模型的多元线性回归

2.4 线性最优化

2.4.1 安装Pulp

2.4.2 一个用线性规划求最大值的实例

2.4.3 线性规划的结果

2.4.4 整数规划

2.5 使用矩阵解线性方程组

2.6 LU分解

2.7 Cholesky分解

2.8 QR分解

2.9 使用其他矩阵代数方法求解

2.9.1 Jacobi迭代法

2.9.2 Gauss-Seidel迭代法

2.10 总结

第3章 金融中的非线性问题

3.1 非线性建模

3.2 非线性模型求根算法

3.2.1 增量法

3.2.2 二分法

3.2.3 牛顿迭代法

3.2.4 割线法

3.2.5 求根法的结合使用

3.3 利用SciPy求根

3.3.1 求根标量函数

3.3.2 通用非线性求解器

3.4 总结

第4章 期权定价的数值方法

4.1 什么是期权

4.2 二叉树期权定价模型

4.3 欧式期权定价

4.4 编写StockOption基类

4.4.1 利用二叉树模型给欧式期权定价

4.4.2 利用二叉树模型给美式期权定价

4.4.3 Cox-Ross-Rubinstein模型

4.4.4 Leisen-Reimer模型

4.5 希腊值

4.6 三叉树期权定价模型

4.7 期权定价中的Lattice方法

4.7.1 二叉树网格

4.7.2 CRR二叉树Lattice方法期权定价模型

4.7.3 三叉树网格

4.8 期权定价中的有限差分法

4.8.1 显式方法

4.8.2 编写FiniteDifferences类

4.8.3 隐式方法

4.8.4 Crank-Nicolson方法

4.8.5 奇异障碍期权定价

4.8.6 美式期权定价的有限差分方法

4.9 隐含波动率模型

4.10 总结

第5章 利率及其衍生工具的建模

5.1 固定收益证券

5.2 收益率曲线

5.3 无息债券

5.4 自助法构建收益率曲线

5.4.1 自助法构建收益率曲线的实例

5.4.2 编写BootstrapYieldCurve类

5.5 远期利率

5.6 计算到期收益率

5.7 计算债券定价

5.8 债券久期

5.9 债券凸度

5.10 短期利率模型

5.10.1 Vasicek模型

5.10.2 Cox-Ingersoll-Ross模型

5.10.3 Rendleman and Bartter模型

5.10.4 Brennan and Schwartz模型

5.11 债券期权

5.11.1 可赎回债券

5.11.2 可回售债券

5.11.3 可转换债券

5.11.4 优先股

5.12 可赎回债券期权定价

5.12.1 用Vasicek模型定价无息债券

5.12.2 提前行权定价

5.12.3 有限差分策略迭代法

5.12.4 可赎回债券定价的其他影响因素

5.13 总结

第6章 时间序列数据的统计分析

6.1 道琼斯工业平均指数及其30种成分

6.1.1 从Quandl上下载Dow成分数据集

6.1.2 关于Alpha Vantage

6.1.3 获取Alpha Vantage API密钥

6.1.4 安装Alpha Vantage的Python包

6.1.5 从Alpha Vantage下载DJIA数据集

6.2 PCA分析

6.2.1 特征向量和特征值的求法

6.2.2 用PCA重新构建道琼斯指数

6.3 平稳和非平稳时间序列

6.3.1 平稳性与非平稳性

6.3.2 平稳性检查

6.3.3 非平稳过程的类型

6.3.4 平稳过程的类型

6.4 扩展Dickey-Fuller检验

6.5 用趋势分析时间序列

6.6 如何使时间序列平稳

6.6.1 去趋势

6.6.2 差分

6.6.3 按季节分解

6.6.4 ADF检验的缺陷

6.7 预测和预报时间序列

6.7.1 自回归积分移动平均法

6.7.2 用网格搜索求取模型参数

6.7.3 SARIMAX模型的拟合

6.7.4 SARIMAX模型的预测和预报

6.8 总结

第三部分 实践操作

第7章 对VIX的交互式金融分析

7.1 波动率指数衍生品

7.1.1 STOXX与欧洲期货交易所

7.1.2 EURO STOXX 50指数

7.1.3 VSTOXX

7.1.4 S&P 500指数

7.1.5 SPX期权

7.1.6 VIX指数

7.2 S&P 500指数和VIX指数的金融分析

7.2.1 获取数据

7.2.2 执行分析

7.2.3 SPX与VIX的相关性

7.3 计算VIX指数

7.3.1 导入SPX期权数据

7.3.2 查找近期期权和远期期权

7.3.3 计算所需的分钟数

7.3.4 计算远期SPX指数水平

7.3.5 寻找所需的远期行权价格

7.3.6 确定行权价格限

7.3.7 按行权价格将贡献列表

7.3.8 计算波动率

7.3.9 计算远期期权波动率

7.3.10 计算VIX指数

7.3.11 计算多个VIX指数

7.3.12 比较结果

7.4 总结

第8章 构建算法交易平台

8.1 什么是算法交易

8.1.1 具有公共API的交易平台

8.1.2 选择一种编程语言

8.1.3 系统功能

8.2 建立算法交易平台

8.2.1 设计代理接口

8.2.2 需要的Python库

8.2.3 编写事件驱动代理类

8.2.4 存储价格事件处理程序

8.2.5 存储订单事件处理程序

8.2.6 存储仓位事件处理程序

8.2.7 声明一个获取价格的抽象函数

8.2.8 声明流式价格的抽象函数

8.2.9 声明发送订单的抽象函数

8.2.10 实现代理类

8.3 建立均值回归算法交易系统

8.3.1 设计均值回归算法

8.3.2 实现均值回归交易类

8.3.3 添加事件监听器

8.3.4 编写均值回归信号生成器

8.3.5 运行交易系统

8.4 建立趋势跟踪交易平台

8.4.1 趋势跟踪算法的设计

8.4.2 编写趋势跟踪交易类

8.4.3 编写趋势跟踪信号发生器

8.4.4 运行趋势跟踪交易系统

8.5 用VaR技术实现风险管理

8.6 总结

第9章 回溯测试系统的实现

9.1 回溯测试概述

9.1.1 回溯测试的缺陷

9.1.2 事件驱动回溯测试系统

9.2 设计并实施回溯测试系统

9.2.1 TickData类

9.2.2 MarketData类

9.2.3 MarketDataSource类

9.2.4 Order类

9.2.5 Position类

9.2.6 Strategy类

9.2.7 MeanRevertingStrategy类

9.2.8 BacktestEngine类

9.2.9 运行回溯测试系统

9.2.10 多策略运行回溯测试系统

9.2.11 改进回溯测试系统

9.3 回溯测试模型的10个注意事项

9.3.1 模型的资源限制

9.3.2 模型评价标准

9.3.3 估计回溯测试参数的质量

9.3.4 应对模型风险

9.3.5 样本数据回测的性能

9.3.6 解决回溯测试的常见缺陷

9.3.7 常识错误

9.3.8 理解模型环境

9.3.9 数据准确性

9.3.10 数据挖掘

9.4 回溯测试中的算法选择

9.4.1 k-均值聚类算法

9.4.2 KNN机器学习算法

9.4.3 分类回归树分析

9.4.4 2k析因设计

9.4.5 遗传算法

9.5 总结

第10章 金融中的机器学习

10.1 机器学习简介

10.1.1 机器学习在金融中的应用

10.1.2 监督学习和无监督学习

10.1.3 监督机器学习中的分类与回归

10.1.4 过拟合和欠拟合模型

10.1.5 特征工程

10.1.6 机器学习的scikit-learn库

10.2 用单资产回归模型预测价格

10.2.1 OLS线性回归

10.2.2 准备自变量和因变量

10.2.3 编写线性回归模型

10.2.4 测量预测性能的风险度量

10.2.5 岭回归

10.2.6 其他回归模型

10.2.7 结论

10.3 用跨资产动量模型预测收益

10.3.1 准备自变量

10.3.2 准备因变量

10.3.3 多资产线性回归模型

10.3.4 决策树的集成

10.4 基于分类的机器学习预测趋势

10.4.1 准备因变量

10.4.2 准备多资产数据集作为输入变量

10.4.3 逻辑回归

10.4.4 基于分类预测的风险度量

10.4.5 支持向量分类器

10.4.6 其他类型的分类器

10.5 机器学习算法的应用结论

10.6 总结

第11章 金融中的深度学习

11.1 浅谈深度学习

11.1.1 什么是深度学习

11.1.2 人工神经元

11.1.3 激活函数

11.1.4 损失函数

11.1.5 优化器

11.1.6 网络结构

11.1.7 TensorFlow和其他深度学习框架

11.1.8 什么是张量

11.2 基于TensorFlow的深度学习价格预测模型

11.2.1 特征化模型

11.2.2 需要的库

11.2.3 下载数据集

11.2.4 缩放和拆分数据

11.2.5 基于TensorFlow构建人工神经网络

11.2.6 绘制预测值和实际值

11.3 基于Keras的信用卡支付违约预测

11.3.1 Keras简介

11.3.2 安装Keras

11.3.3 获取数据集

11.3.4 缩放和拆分数据

11.3.5 基于Keras的深度神经网络设计

11.3.6 度量模型的性能

11.3.7 显示Keras历史记录中的事件

11.4 总结

累计评论(2条) 3个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部