最新章節

• 15.3 小結
• 15.2.3 打開國際化的視野
• 15.2.2 多看看不同的投資標的
• 15.2.1 學習一些數據庫知識
• 15.2 將來要做什么
• 15.1.3 要“吊死”在A股“這棵樹”上嗎

• 15.3 小結 更新時間：2022-07-29 16:03:04
• 15.2.3 打開國際化的視野
• 15.2.2 多看看不同的投資標的
• 15.2.1 學習一些數據庫知識
• 15.2 將來要做什么
• 15.1.3 要“吊死”在A股“這棵樹”上嗎
• 15.1.2 機器學習到底有沒有用
• 15.1.1 使用第三方量化平臺是個好主意嗎
• 15.1 可以一夜暴富了嗎
• 第15章 寫在最后——小瓦的征程
• 14.4 小結
• 14.3.4 保存模型并在回測中調用
• 14.3.3 訓練模型及評估
• 14.3.2 關于長短期記憶網絡
• 14.3.1 搭建一個簡單的長短期記憶網絡
• 14.3 長短期記憶網絡
• 14.2.4 訓練模型看看效果
• 14.2.3 最大池化層是干啥用的
• 14.2.2 卷積層是干啥用的
• 14.2.1 嵌入層是干啥用的
• 14.2 卷積神經網絡模型詳解
• 14.1.2 處理數據與搭建模型
• 14.1.1 準備好庫和數據集
• 14.1 先動手“擼”一個卷積神經網絡
• 第14章 再進一步——CNN和LSTM
• 13.4 小結
• 13.3.5 訓練一下，看看效果如何
• 13.3.4 Dropout層又是干嗎的
• 13.3.3 再來說說激活函數
• 13.3.2 念叨一下多層感知機的原理
• 13.3.1 先動手“擼”一個多層感知機
• 13.3 使用Keras構建簡單神經網絡
• 13.2.3 填充序列與轉化矩陣
• 13.2.2 將文本轉化為序列
• 13.2.1 使用Tokenizer提取特征
• 13.2 使用Keras對文本進行預處理
• 13.1.2 為神經網絡準備數據
• 13.1.1 翻翻工具箱，看看有什么
• 13.1 開始研究前的準備
• 第13章 咱也“潮”一把——深度學習來了
• 12.4 小結
• 12.3.3 開始訓練貝葉斯模型并評估其性能
• 12.3.2 為貝葉斯模型準備數據
• 12.3.1 “樸素貝葉斯”又是什么
• 12.3 隆重推出“樸素貝葉斯”
• 12.2.4 合并正負面情緒語料
• 12.2.3 給數據“打上標簽”
• 12.2.2 將負面情緒語料存儲為列表
• 12.2.1 將正面情緒語料存儲為列表
• 12.2 用語料制作數據集
• 12.1.2 將文件上傳到量化交易平臺
• 12.1.1 了解分好類的語料
• 12.1 機器懂我們的情感嗎
• 第12章 股評數據情感分析
• 11.4 小結
• 11.3.4 對模型進行改進
• 11.3.3 使用LDA進行話題建模
• 11.3.2 將分詞結果合并保存
• 11.3.1 加載數據并進行分詞
• 11.3 話題建模實戰
• 11.2.2 什么是LDA模型
• 11.2.1 什么是話題建模
• 11.2 讓機器告訴我們新聞說了啥
• 11.1.3 使用TfidfVectorizer將文本轉化為向量
• 11.1.2 使用CountVectorizer將文本轉化為向量
• 11.1.1 準備文本數據
• 11.1 讓機器“讀懂”新聞
• 第11章 新聞文本向量化和話題建模
• 10.4 小結
• 10.3.5 使用“結巴”提取關鍵詞
• 10.3.4 去掉文本中的停用詞
• 10.3.3 建立停用詞表
• 10.3.2 使用“結巴”進行列表分詞
• 10.3.1 使用“結巴”進行分詞
• 10.3 中文分詞，“結巴”來幫忙
• 10.2.2 對文本數據進行簡單清洗
• 10.2.1 獲取新聞聯播文本數據
• 10.2 獲取文本數據并簡單清洗
• 10.1.3 說了那么多，什么是NLP
• 10.1.2 參考一下“大佬”們的做法
• 10.1.1 思考幾個問題
• 10.1 我們的想法是否靠譜
• 第10章 初識自然語言處理技術
• 9.5 小結
• 9.4.3 模擬交易的持倉與下單
• 9.4.2 查看模擬交易詳情
• 9.4.1 模擬交易
• 9.4 使用策略進行模擬交易
• 9.3.3 持倉和收益詳情
• 9.3.2 策略交易詳情
• 9.3.1 策略收益概述
• 9.3 策略的回測詳情
• 9.2.4 買入和賣出的操作
• 9.2.3 機器學習的部分
• 9.2.2 開盤前準備
• 9.2.1 設置回測環境
• 9.2 動態因子選擇策略
• 9.1.3 RBF內核“閃亮登場”
• 9.1.2 線性內核有時“很著急”
• 9.1.1 支持向量機的基本原理
• 9.1 什么是支持向量機
• 第9章 因子遇到支持向量機
• 8.4 小結
• 8.3.6 對策略進行回測
• 8.3.5 定義買入操作和賣出操作
• 8.3.4 定義買入股票和賣出股票的列表
• 8.3.3 策略中的機器學習部分
• 8.3.2 盤前的準備工作
• 8.3.1 回測函數的初始化
• 8.3 用重要因子和隨機森林來制訂策略
• 8.2.3 哪些因子重要
• 8.2.2 設定目標并訓練模型
• 8.2.1 多來點因子
• 8.2 哪些因子重要，決策樹能告訴你
• 8.1.3 隨機森林的用法和原理
• 8.1.2 決策樹的用法和原理
• 8.1.1 線性模型不適用的數據樣本
• 8.1 什么是決策樹和隨機森林
• 第8章 因子遇到決策樹與隨機森林
• 7.4 小結
• 7.3.3 回測
• 7.3.2 把研究成果寫成策略
• 7.3.1 平臺的策略回測功能
• 7.3 能不能賺到錢
• 7.2.3 基于模型的預測進行選股
• 7.2.2 訓練模型
• 7.2.1 準備因子
• 7.2 用線性模型搞搞交易策略
• 7.1.3 使用正則化的線性模型
• 7.1.2 來試試最簡單的線性回歸
• 7.1.1 準備用于演示的數據
• 7.1 什么是線性模型
• 第7章 當因子遇上線性模型
• 6.5 小結
• 6.4.3 因子預測能力分析
• 6.4.2 因子自相關性分析
• 6.4.1 因子換手率分析
• 6.4 因子換手率、因子自相關性和因子預測能力分析
• 6.3.3 因子IC正態分布Q-Q圖和月度均值
• 6.3.2 因子IC時間序列圖
• 6.3.1 因子IC分析概況
• 6.3 因子IC分析
• 6.2.4 分位數累計收益對比
• 6.2.3 做多最大分位做空最小分位收益
• 6.2.2 因子加權多空組合累計收益
• 6.2.1 因子各分位統計
• 6.2 因子收益分析
• 6.1.3 獲取全部的因子分析結果
• 6.1.2 獲取一個情緒因子
• 6.1.1 建立投資組合并設定日期
• 6.1 針對投資組合獲取因子值
• 第6章 因子好用嗎——有些事需要你知道
• 5.4 小結
• 5.3.3 找到主成分數值最高的股票
• 5.3.2 使用PCA提取主成分
• 5.3.1 將4個因子存入一個DataFrame
• 5.3 把諸多因子“打個包”
• 5.2.6 獲取股票的凈利潤增長率因子
• 5.2.5 獲取股票的凈利率因子
• 5.2.4 獲取股票的現金流因子
• 5.2.3 獲取股票的市值因子
• 5.2.2 獲取滬深兩市的全部指數
• 5.2.1 確定股票池
• 5.2 股票不知道怎么選？因子來幫忙
• 5.1.5 “因子”都能干啥
• 5.1.4 用添加“瓦氏因子”的數據訓練模型
• 5.1.3 “瓦氏因子”的計算
• 5.1.2 簡易特征工程
• 5.1.1 獲取主力資金流向數據
• 5.1 “瓦氏因子”了解一下
• 第5章 因子來了——基本原理和用法
• 4.4 小結
• 4.3.3 資金凈流入還是凈流出
• 4.3.2 大股東們增持了還是減持了
• 4.3.1 找到最大的股東
• 4.3 誰是幕后“大佬”
• 4.2.3 通過財務指標進行選股
• 4.2.2 獲取股票的財務數據
• 4.2.1 獲取股票的概況
• 4.2 借助財務數據篩選股票
• 4.1.3 在研究環境中運行代碼
• 4.1.2 量化交易平臺的研究環境
• 4.1.1 選擇量化交易平臺
• 4.1 數據不夠，平臺來湊
• 第4章 多來點數據——借助量化交易平臺
• 3.4 小結
• 3.3.3 使用分類算法制定交易策略
• 3.3.2 創建交易條件
• 3.3.1 獲取股票數據
• 3.3 基于機器學習的簡單交易策略
• 3.2.3 KNN算法用于回歸
• 3.2.2 KNN算法用于分類
• 3.2.1 KNN算法的基本原理
• 3.2 機器學習工具的基本使用方法
• 3.1.3 模型性能的評估
• 3.1.2 分類和回歸
• 3.1.1 有監督學習和無監督學習
• 3.1 機器學習的基本概念
• 第3章 AI來了——機器學習在交易中的簡單應用
• 2.4 小結
• 2.3.3 對海龜策略進行回測
• 2.3.2 根據交易信號和倉位進行下單
• 2.3.1 使用海龜策略生成交易信號
• 2.3 經典策略之海龜策略
• 2.2.3 對雙移動平均策略進行回測
• 2.2.2 雙移動平均策略的實現
• 2.2.1 單一移動平均指標
• 2.2 經典策略之移動平均策略
• 2.1.3 關于回測，你還需要知道的
• 2.1.2 對交易策略進行簡單回測
• 2.1.1 下載數據并創建交易信號
• 2.1 對小瓦的策略進行簡單回測
• 第2章 小瓦的策略靠譜嗎——回測與經典策略
• 1.4 小結
• 1.3.3 用真實股票數據練練手
• 1.3.2 Jupyter Notebook的基本使用方法
• 1.3.1 Anaconda的下載和安裝
• 1.3 要想富，先配庫
• 1.2.3 交易策略和阿爾法因子
• 1.2.2 沒有數據是不行的
• 1.2.1 量化投資風生水起
• 1.2 機器學習崛起
• 1.1.3 因子投資悄然興起
• 1.1.2 自動化交易和高頻交易
• 1.1.1 那些年，那些交易
• 1.1 何以解憂，“小富”也行
• 第1章 小瓦的故事——從零開始
• 本書讀者對象
• 本書特色
• 本書內容及體系結構
• 本書會帶給讀者什么
• 總有些人，不甘平凡
• 前言
• 內容簡介
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 內容簡介
• 前言
• 總有些人，不甘平凡
• 本書會帶給讀者什么
• 本書內容及體系結構
• 本書特色
• 本書讀者對象
• 第1章 小瓦的故事——從零開始
• 1.1 何以解憂，“小富”也行
• 1.1.1 那些年，那些交易
• 1.1.2 自動化交易和高頻交易
• 1.1.3 因子投資悄然興起
• 1.2 機器學習崛起
• 1.2.1 量化投資風生水起
• 1.2.2 沒有數據是不行的
• 1.2.3 交易策略和阿爾法因子
• 1.3 要想富，先配庫
• 1.3.1 Anaconda的下載和安裝
• 1.3.2 Jupyter Notebook的基本使用方法
• 1.3.3 用真實股票數據練練手
• 1.4 小結
• 第2章 小瓦的策略靠譜嗎——回測與經典策略
• 2.1 對小瓦的策略進行簡單回測
• 2.1.1 下載數據并創建交易信號
• 2.1.2 對交易策略進行簡單回測
• 2.1.3 關于回測，你還需要知道的
• 2.2 經典策略之移動平均策略
• 2.2.1 單一移動平均指標
• 2.2.2 雙移動平均策略的實現
• 2.2.3 對雙移動平均策略進行回測
• 2.3 經典策略之海龜策略
• 2.3.1 使用海龜策略生成交易信號
• 2.3.2 根據交易信號和倉位進行下單
• 2.3.3 對海龜策略進行回測
• 2.4 小結
• 第3章 AI來了——機器學習在交易中的簡單應用
• 3.1 機器學習的基本概念
• 3.1.1 有監督學習和無監督學習
• 3.1.2 分類和回歸
• 3.1.3 模型性能的評估
• 3.2 機器學習工具的基本使用方法
• 3.2.1 KNN算法的基本原理
• 3.2.2 KNN算法用于分類
• 3.2.3 KNN算法用于回歸
• 3.3 基于機器學習的簡單交易策略
• 3.3.1 獲取股票數據
• 3.3.2 創建交易條件
• 3.3.3 使用分類算法制定交易策略
• 3.4 小結
• 第4章 多來點數據——借助量化交易平臺
• 4.1 數據不夠，平臺來湊
• 4.1.1 選擇量化交易平臺
• 4.1.2 量化交易平臺的研究環境
• 4.1.3 在研究環境中運行代碼
• 4.2 借助財務數據篩選股票
• 4.2.1 獲取股票的概況
• 4.2.2 獲取股票的財務數據
• 4.2.3 通過財務指標進行選股
• 4.3 誰是幕后“大佬”
• 4.3.1 找到最大的股東
• 4.3.2 大股東們增持了還是減持了
• 4.3.3 資金凈流入還是凈流出
• 4.4 小結
• 第5章 因子來了——基本原理和用法
• 5.1 “瓦氏因子”了解一下
• 5.1.1 獲取主力資金流向數據
• 5.1.2 簡易特征工程
• 5.1.3 “瓦氏因子”的計算
• 5.1.4 用添加“瓦氏因子”的數據訓練模型
• 5.1.5 “因子”都能干啥
• 5.2 股票不知道怎么選？因子來幫忙
• 5.2.1 確定股票池
• 5.2.2 獲取滬深兩市的全部指數
• 5.2.3 獲取股票的市值因子
• 5.2.4 獲取股票的現金流因子
• 5.2.5 獲取股票的凈利率因子
• 5.2.6 獲取股票的凈利潤增長率因子
• 5.3 把諸多因子“打個包”
• 5.3.1 將4個因子存入一個DataFrame
• 5.3.2 使用PCA提取主成分
• 5.3.3 找到主成分數值最高的股票
• 5.4 小結
• 第6章 因子好用嗎——有些事需要你知道
• 6.1 針對投資組合獲取因子值
• 6.1.1 建立投資組合并設定日期
• 6.1.2 獲取一個情緒因子
• 6.1.3 獲取全部的因子分析結果
• 6.2 因子收益分析
• 6.2.1 因子各分位統計
• 6.2.2 因子加權多空組合累計收益
• 6.2.3 做多最大分位做空最小分位收益
• 6.2.4 分位數累計收益對比
• 6.3 因子IC分析
• 6.3.1 因子IC分析概況
• 6.3.2 因子IC時間序列圖
• 6.3.3 因子IC正態分布Q-Q圖和月度均值
• 6.4 因子換手率、因子自相關性和因子預測能力分析
• 6.4.1 因子換手率分析
• 6.4.2 因子自相關性分析
• 6.4.3 因子預測能力分析
• 6.5 小結
• 第7章 當因子遇上線性模型
• 7.1 什么是線性模型
• 7.1.1 準備用于演示的數據
• 7.1.2 來試試最簡單的線性回歸
• 7.1.3 使用正則化的線性模型
• 7.2 用線性模型搞搞交易策略
• 7.2.1 準備因子
• 7.2.2 訓練模型
• 7.2.3 基于模型的預測進行選股
• 7.3 能不能賺到錢
• 7.3.1 平臺的策略回測功能
• 7.3.2 把研究成果寫成策略
• 7.3.3 回測
• 7.4 小結
• 第8章 因子遇到決策樹與隨機森林
• 8.1 什么是決策樹和隨機森林
• 8.1.1 線性模型不適用的數據樣本
• 8.1.2 決策樹的用法和原理
• 8.1.3 隨機森林的用法和原理
• 8.2 哪些因子重要，決策樹能告訴你
• 8.2.1 多來點因子
• 8.2.2 設定目標并訓練模型
• 8.2.3 哪些因子重要
• 8.3 用重要因子和隨機森林來制訂策略
• 8.3.1 回測函數的初始化
• 8.3.2 盤前的準備工作
• 8.3.3 策略中的機器學習部分
• 8.3.4 定義買入股票和賣出股票的列表
• 8.3.5 定義買入操作和賣出操作
• 8.3.6 對策略進行回測
• 8.4 小結
• 第9章 因子遇到支持向量機
• 9.1 什么是支持向量機
• 9.1.1 支持向量機的基本原理
• 9.1.2 線性內核有時“很著急”
• 9.1.3 RBF內核“閃亮登場”
• 9.2 動態因子選擇策略
• 9.2.1 設置回測環境
• 9.2.2 開盤前準備
• 9.2.3 機器學習的部分
• 9.2.4 買入和賣出的操作
• 9.3 策略的回測詳情
• 9.3.1 策略收益概述
• 9.3.2 策略交易詳情
• 9.3.3 持倉和收益詳情
• 9.4 使用策略進行模擬交易
• 9.4.1 模擬交易
• 9.4.2 查看模擬交易詳情
• 9.4.3 模擬交易的持倉與下單
• 9.5 小結
• 第10章 初識自然語言處理技術
• 10.1 我們的想法是否靠譜
• 10.1.1 思考幾個問題
• 10.1.2 參考一下“大佬”們的做法
• 10.1.3 說了那么多，什么是NLP
• 10.2 獲取文本數據并簡單清洗
• 10.2.1 獲取新聞聯播文本數據
• 10.2.2 對文本數據進行簡單清洗
• 10.3 中文分詞，“結巴”來幫忙
• 10.3.1 使用“結巴”進行分詞
• 10.3.2 使用“結巴”進行列表分詞
• 10.3.3 建立停用詞表
• 10.3.4 去掉文本中的停用詞
• 10.3.5 使用“結巴”提取關鍵詞
• 10.4 小結
• 第11章 新聞文本向量化和話題建模
• 11.1 讓機器“讀懂”新聞
• 11.1.1 準備文本數據
• 11.1.2 使用CountVectorizer將文本轉化為向量
• 11.1.3 使用TfidfVectorizer將文本轉化為向量
• 11.2 讓機器告訴我們新聞說了啥
• 11.2.1 什么是話題建模
• 11.2.2 什么是LDA模型
• 11.3 話題建模實戰
• 11.3.1 加載數據并進行分詞
• 11.3.2 將分詞結果合并保存
• 11.3.3 使用LDA進行話題建模
• 11.3.4 對模型進行改進
• 11.4 小結
• 第12章 股評數據情感分析
• 12.1 機器懂我們的情感嗎
• 12.1.1 了解分好類的語料
• 12.1.2 將文件上傳到量化交易平臺
• 12.2 用語料制作數據集
• 12.2.1 將正面情緒語料存儲為列表
• 12.2.2 將負面情緒語料存儲為列表
• 12.2.3 給數據“打上標簽”
• 12.2.4 合并正負面情緒語料
• 12.3 隆重推出“樸素貝葉斯”
• 12.3.1 “樸素貝葉斯”又是什么
• 12.3.2 為貝葉斯模型準備數據
• 12.3.3 開始訓練貝葉斯模型并評估其性能
• 12.4 小結
• 第13章 咱也“潮”一把——深度學習來了
• 13.1 開始研究前的準備
• 13.1.1 翻翻工具箱，看看有什么
• 13.1.2 為神經網絡準備數據
• 13.2 使用Keras對文本進行預處理
• 13.2.1 使用Tokenizer提取特征
• 13.2.2 將文本轉化為序列
• 13.2.3 填充序列與轉化矩陣
• 13.3 使用Keras構建簡單神經網絡
• 13.3.1 先動手“擼”一個多層感知機
• 13.3.2 念叨一下多層感知機的原理
• 13.3.3 再來說說激活函數
• 13.3.4 Dropout層又是干嗎的
• 13.3.5 訓練一下，看看效果如何
• 13.4 小結
• 第14章 再進一步——CNN和LSTM
• 14.1 先動手“擼”一個卷積神經網絡
• 14.1.1 準備好庫和數據集
• 14.1.2 處理數據與搭建模型
• 14.2 卷積神經網絡模型詳解
• 14.2.1 嵌入層是干啥用的
• 14.2.2 卷積層是干啥用的
• 14.2.3 最大池化層是干啥用的
• 14.2.4 訓練模型看看效果
• 14.3 長短期記憶網絡
• 14.3.1 搭建一個簡單的長短期記憶網絡
• 14.3.2 關于長短期記憶網絡
• 14.3.3 訓練模型及評估
• 14.3.4 保存模型并在回測中調用
• 14.4 小結
• 第15章 寫在最后——小瓦的征程
• 15.1 可以一夜暴富了嗎
• 15.1.1 使用第三方量化平臺是個好主意嗎
• 15.1.2 機器學習到底有沒有用
• 15.1.3 要“吊死”在A股“這棵樹”上嗎
• 15.2 將來要做什么
• 15.2.1 學習一些數據庫知識
• 15.2.2 多看看不同的投資標的
• 15.2.3 打開國際化的視野
• 15.3 小結 更新時間：2022-07-29 16:03:04