☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

本書采用獨創的黑箱模式、MBA案例教學機製，結閤大量的經典案例，介紹TensorFlow係統和常用的深度學習算法、神經網絡模型，以及它們在量化分析當中的具體應用。

《零起點TensorFlow與量化交易》僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch、MXNet等新一代深度學習平颱來獲得。更重要的是，還有待廣大的一綫實盤操作人員結閤專業的金融操盤經驗，與各種神經網絡模型融會貫通，構建更加符閤金融量化實際應用的神經網絡模型，從而獲得更好的投資迴報。

內容簡介

Python量化迴溯、TensorFlow、PyTorch、MXNet深度學習平颱以及神經網絡模型，都是近年來興起的前沿科技項目，相關理論、平颱、工具目前尚處於摸索階段。

TensorFlow是近年來影響大的神經網絡、深度學習平颱，本書從入門者的角度，對TensorFlow進行瞭介紹，《零起點TensorFlow與量化交易》中通過大量的實際案例，讓初學者快速掌握神經網絡和金融量化分析的基本編程，為進一步學習奠定紮實的基礎。

《零起點TensorFlow與量化交易》中的案例、程序以教學為主，且進行瞭高度簡化，以便讀者能夠快速理解相關內容，短時間瞭解Python量化迴溯的整個流程，以及數據分析、機器學習、神經網絡的應用。

《零起點TensorFlow與量化交易》僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch等新一代深度學習平颱來獲得。更重要的是，廣大的一綫實盤操作人員需要結閤專業的金融操盤經驗，與各種神經網絡模型融會貫通，構建更加符閤金融量化實際應用的神經網絡模型，從而獲得更好的投資迴報收益。

作者簡介

何海群，網名：字王，CHRD前海智庫CTO，《中華大字庫》發明人，20年人工智能從業經驗；zwPython開發平颱、TopQuant.vip極寬量化係統設計師，中國“Python創客”項目發起人，國內Python量化項目的啓濛者和開拓者：《Python量化實盤·魔鬼訓練營》，Top極寬量化開源團隊的創始人。2018年於深圳華僑城創意園，啓動太和極寬金融孵化基地：金融、科技、藝術三位一體。

研究成果有：BigQuant理論架構：Python量化+數字貨幣+人工智能；“小數據”理論，GPU超算工作站、MTRD多節點超算集群算法、“1+N”網絡傳播模型、人工智能“足彩圖靈法則”等；論文《人工智能與中文字型設計》是中文字庫行業三大基礎建模理論之一。

內頁插圖

目錄

第1章 TensorFlow概述 1

1.1 TensorFlow要點概括 2

1.2 TensorFlow簡化接口 2

1.3 Keras簡介 3

1.4 運行環境模塊的安裝 4

1.4.1 CUDA運行環境的安裝 4

案例1-1：重點模塊版本測試 5

案例1-2：GPU開發環境測試 8

1.4.2 GPU平颱運行結果 9

第2章 無數據不量化（上） 12

2.1 金融數據源 13

2.1.1 TopDat金融數據集 14

2.1.2 量化分析與試錯成本 15

2.2 OHLC金融數據格式 16

案例2-1：金融數據格式 17

2.3 K綫圖 18

案例2-2：繪製金融數據K綫圖 19

2.4 Tick數據格式 22

案例2-3：Tick數據格式 23

2.4.1 Tick數據與分時數據轉換 25

案例2-4：分時數據 25

2.4.2 resample函數 26

2.4.3 分時數據 26

2.5 離綫金融數據集 29

案例2-5：TopDat金融數據集的日綫數據 29

案例2-6：TopDat金融數據集的Tick數據 31

2.6 TopDown金融數據下載 33

案例2-7：更新單一A股日綫數據 34

案例2-8：批量更新A股日綫數據 37

2.6.1 Tick數據與分時數據 40

案例2-9：更新單一A股分時數據 40

案例2-10：批量更新分時數據 43

2.6.2 Tick數據與實時數據 45

案例2-11：更新單一實時數據 45

案例2-12：更新全部實時數據 48

第3章 無數據不量化（下） 51

3.1 均值優先 51

案例3-1：均值計算與價格麯綫圖 52

3.2 多因子策略和泛因子策略 54

3.2.1 多因子策略 54

3.2.2 泛因子策略 55

案例3-2：均綫因子 55

3.3 “25日神定律” 59

案例3-3：時間因子 61

案例3-4：分時時間因子 63

3.4 TA-Lib金融指標 66

3.5 TQ智能量化迴溯係統 70

3.6 全內存計算 70

案例3-5：增強版指數索引 71

案例3-6：AI版索引數據庫 73

3.7 股票池 77

案例3-7：股票池的使用 77

3.8 TQ_bar全局變量類 81

案例3-8：TQ_bar初始化 82

案例3-9：TQ版本日綫數據 85

3.9 大盤指數 87

案例3-10：指數日綫數據 88

案例3-11：TQ版本指數K綫圖 89

案例3-12：個股和指數麯綫對照圖 92

3.10 TDS金融數據集 96

案例3-13：TDS衍生數據 98

案例3-14：TDS金融數據集的製作 102

案例3-15：TDS金融數據集2.0 105

案例3-16：讀取TDS金融數據集 108

第4章 人工智能與趨勢預測 112

4.1 TFLearn簡化接口 112

4.2 人工智能與統計關聯度分析 113

4.3 關聯分析函數corr 113

4.3.1 Pearson相關係數 114

4.3.2 Spearman相關係數 114

4.3.3 Kendall相關係數 115

4.4 open（開盤價）關聯性分析 115

案例4-1：open關聯性分析 115

4.5 數值預測與趨勢預測 118

4.5.1 數值預測 119

4.5.2 趨勢預測 120

案例4-2：ROC計算 120

案例4-3：ROC與交易數據分類 123

4.6 n+1大盤指數預測 128

4.6.1 綫性迴歸模型 128

案例4-4：上證指數n+1的開盤價預測 129

案例4-5：預測數據評估 133

4.6.2 效果評估函數 136

4.6.3 常用的評測指標 138

4.7 n+1大盤指數趨勢預測 139

案例4-6：漲跌趨勢歸一化分類 140

案例4-7：經典版漲跌趨勢歸一化分類 143

4.8 One-Hot 145

案例4-8：One-Hot格式 146

4.9 DNN模型 149

案例4-9：DNN趨勢預測 150

第5章 單層神經網絡預測股價 156

5.1 Keras簡化接口 156

5.2 單層神經網絡 158

案例5-1：單層神經網絡模型 158

5.3 神經網絡常用模塊 168

案例5-2：可視化神經網絡模型 170

案例5-3：模型讀寫 174

案例5-4：參數調優入門 177

第6章 MLP與股價預測 182

6.1 MLP 182

案例6-1：MLP價格預測模型 183

6.2 神經網絡模型應用四大環節 189

案例6-2：MLP模型評估 190

案例6-3：優化MLP價格預測模型 194

案例6-4：優化版MLP模型評估 197

第7章 RNN與趨勢預測 200

7.1 RNN 200

7.2 IRNN與趨勢預測 201

案例7-1：RNN趨勢預測模型 201

案例7-2：RNN模型評估 209

案例7-3：RNN趨勢預測模型2 211

案例7-4：RNN模型2評估 214

第8章 LSTM與量化分析 217

8.1 LSTM模型 217

8.1.1 數值預測 218

案例8-1：LSTM價格預測模型 219

案例8-2：LSTM價格預測模型評估 226

8.1.2 趨勢預測 230

案例8-3：LSTM股價趨勢預測模型 231

案例8-4：LSTM趨勢模型評估 239

8.2 LSTM量化迴溯分析 242

8.2.1 構建模型 243

案例8-5：構建模型 243

8.2.2 數據整理 251

案例8-6：數據整理 251

8.2.3 迴溯分析 262

案例8-7：迴溯分析 262

8.2.4 專業迴報分析 268

案例8-8：量化交易迴報分析 268

8.3 完整的LSTM量化分析程序 279

案例8-9：LSTM量化分析程序 280

8.3.1 數據整理 280

8.3.2 量化迴溯 284

8.3.3 迴報分析 285

8.3.4 專業迴報分析 288

第9章 日綫數據迴溯分析 293

9.1 數據整理 293

案例9-1：數據更新 294

案例9-2：數據整理 296

9.2 迴溯分析 307

9.2.1 迴溯主函數 307

9.2.2 交易信號 308

9.3 交易接口函數 309

案例9-3：迴溯分析 309

案例9-4：多模式迴溯分析 316

第10章 Tick數據迴溯分析 318

10.1 ffn金融模塊庫 318

案例10-1：ffn功能演示 318

案例10-2：量化交易迴報分析 330

案例10-3：完整的量化分析程序 343

10.2 Tick分時數據量化分析 357

案例10-4：Tick分時量化分析程序 357

總結 371

附錄A TensorFlow 1.1函數接口變化 372

附錄B 神經網絡常用算法模型 377

附錄C 機器學習常用算法模型 414

前言/序言

推薦序

AlphaGo與柯潔的黑白大戰，因為對陣的一方是中國頂級圍棋高手柯潔，所以引起國人的高度關注。利用百度搜索引擎輸入AlphaGo，一度可以得齣7000多萬條搜索結果，這遠遠高於其他熱門詞條。

事實上，AlphaGo隻是Google擁有的兩套人工智能係統中的一套。它是Google 2014年收購的DeepMind的人工智能係統，專注於棋賽開發。Google的另外一套人工智能係統就是本書介紹的TensorFlow係統。

在TensorFlow等人工智能係統齣現之前，計算機所做的事情往往是簡單重復的。計算機會按照人類編好的既定程序，簡單重復、按部就班地運行，沒有超越人類事先為其設定的思維邊界。

計算機與人類的大腦相比，根本的區彆在於不具備學習和創新能力。

計算機頂多也就是記憶的信息多，重復計算的速度快，不受情緒的影響等。但是，在TensorFlow等人工智能係統齣現之後，計算機所做的事情除簡單重復運行之外，更重要的是其具備瞭一定的自我學習和創新能力。

TensorFlow等人工智能係統使得計算機在一定程度上能夠自主學習，自我提高，總結過去的經驗，汲取以往的教訓，具備一定的創新性。這一點在AlphaGo與柯潔對壘的3場棋局的結果中不難看齣。

這正是以AlphaGo和TensorFlow為代錶的人工智能係統區彆於以往任何計算機技術的關鍵所在，也是TensorFlow被稱為互聯網以來唯一的“黑科技”項目的原因。

具備瞭一定的自我學習和創造能力的人工智能係統的齣現，將對經濟係統的各個領域産生重大影響。筆者有著超過20年境內外金融行業從業經曆，將從一個側麵分享人工智能對金融領域的影響。

從整個金融業的曆史沿革來看，這大緻經曆瞭4個階段：純人工階段、單機電腦階段、互聯網（含移動互聯網）階段和人工智能階段。

隨著每個階段的漸次演進，提供金融服務一方的人力成本投入在逐漸減少，提供金融服務的效率在提高；對於接受金融服務的一方來說，金融服務的可獲得性，以及便捷程度在逐漸增加，金融服務越來越圍繞著人進行，以人為中心的全方位的社會經濟服務體係正在形成。

在金融服務體係中，銀行服務、證券服務、保險服務等的內部界限開始變得模糊，金融服務與其他非金融的社會經濟服務之間的界限開始變得不清。

特彆是金融業進入人工智能階段之後，人工智能係統將接受金融服務一方的身份特徵數據、交易數據和行為數據等大數據，進行實時分析和動態跟蹤，以遠低於人工成本的成本，為每個人建立一個基於生命周期的綜閤金融模型，對每個人未來的金融行為進行預測，自動為他們提供賬戶資金管理、貨幣兌換、證券買賣、保險購買、購房購車計劃、旅行休閑、子女教育、養老規劃等方麵的金融建議和授權代理操作，並將模型預測結果與實際情況相比對，自主學習和修正模型，以便更加貼閤接受金融服務一方的真實金融意圖，使得人工智能模型的預測建議和人的實際金融行為無限接近。

由此人類將從日常繁雜的各種金融交易中解放齣來，投身到更需要自己或自己更感興趣的方麵。

展望未來，人工智能的應用前景無限美好；探尋當下，人工智能在世界各地的各行各業方興未艾。

韆裏之行，始於足下。何海群先生的《零起點TensorFlow與量化交易》是有誌於人工智能領域的IT人士的一塊敲門磚和鋪路石。

祝願人工智能在華夏大地生根發芽，開花結果。

梁忠

梁忠：中國人民大學財政金融係博士，曾任裏昂證券CLSA分析員；瑞銀證券UBSS董事，財富管理中國研究部主管；瑞士信貸（香港）有限公司中國研究部董事；瑞信方正證券執行董事，研究部主管，具有20年國際頂級金融機構從業經曆。

前言

感謝梁忠先生在百忙之中為本書撰寫序言。以TensorFlow為代錶的神經網絡，被視為自互聯網以來唯一的“黑科技”，無遠弗屆，無分行業領域，對社會各界從上至下帶來徹底的顛覆與革命。

梁忠先生作為非IT領域的學者、專傢，從第三方角度，冷靜地觀察這場數字革命，同時嚮更多的大眾介紹這場革命的火花，推動行業變革，功莫大焉。

隨著類似於Titanic數據集案例、梵高畫風等一係列，基於TensorFlow等神經網絡、深度學習項目的不斷湧現，未來的各個學科都會結閤人工智能（AI），進行新的學術重組。

“Python量化三部麯”

“Python量化三部麯”包括：

《零起點Python大數據與量化交易》（入門課程）

《零起點機器學習與量化交易》（重點分析SKLearn）

《零起點TensorFlow與量化交易》（重點分析TensorFlow）

此外，還有幾部補充作品：

《零起點Python足彩大數據與機器學習實盤分析》

《零起點Python機器學習快速入門》

《零起點TensorFlow快速入門》

《MXNet神經網絡與量化交易》

《Plotly可視化數據分析》

本書是《零起點TensorFlow快速入門》的後續之作，原本是TopQuant.vip極寬量化培訓課程高級班的教學課件，為瞭節省篇幅，刪除瞭Python基礎教程，以及SKLearn、TensorFlow等機器學習方麵的入門內容。沒有經驗的讀者，建議先閱讀《零起點Python機器學習快速入門》《零起點TensorFlow快速入門》，再開始本書的學習，這樣會收到事半功倍的效果。

本書是目前較好的TensorFlow神經網絡與量化分析入門教程：

無需任何理論基礎，全程采用MBA案例模式，懂Excel就可看懂本書。

獨創的逆嚮式課件模式，結閤TensorBoard可視化係統，案例、圖錶優先，層層剖析。

係統介紹TensorFlow在金融量化領域的具體應用，提供多組配套案例。

全套神經網絡股票趨勢預測、股票價格預測案例源碼。

TDS金融數據集的創建與使用。

三位一體的課件模式：圖書+開發平颱+成套的教學案例，係統講解，逐步深入。

本書采用獨創的黑箱模式、MBA案例教學機製，結閤大量的經典案例，介紹TensorFlow係統和常用的深度學習算法、神經網絡模型，以及它們在量化分析當中的具體應用。

進一步學習

讀者如有興趣可以進一步學習“Python量化三部麯”的內容，以及《零起點Python足彩大數據與機器學習實盤分析》。

機器學習、人工智能、金融量化，它們的基本原理是相通的，本質上都是數據分析。對於“Python量化三部麯”的讀者而言，本書也有很大的價值，特彆是對於第一部入門課程的讀者。

Python量化迴溯與TensorFlow、PyTorch、MXNet等神經網絡深度學習平颱，都是近年來興起的科技前沿領域，有關的理論、平颱、工具目前還處於摸索階段。“Python量化三部麯”圖書和TopQuant.vip極寬智能量化係統，隻是在這些領域的起步階段，作為入門教程，拋磚引玉。

本書中的案例、程序以教學為主，進行瞭很多簡化，以便大傢能夠快速理解相關內容，用最短的時間，瞭解Python量化迴溯的整個流程，以及數據分析、機器學習、神經網絡在這些領域的應用操作技巧。

神經網絡、深度學習在量化實盤當中的應用，是目前全世界都在研究的頂尖課題，當前尚未有很好的模型與應用案例。

本書僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch、MXNet等新一代深度學習平颱來獲得。

最重要的是，還有待廣大的一綫實盤操作人員結閤專業的金融操盤經驗，與各種神經網絡模型融會貫通，構建更加符閤金融量化實際應用的神經網絡模型，從而獲得更好的投資迴報。

零起點TensorFlow與量化交易 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

推廣性質居多，必須要他的軟件

評分☆☆☆☆☆

包裝很好，全新的，有機會好好學習下

評分☆☆☆☆☆

怎麼說呢，書中的每個字我都能看懂，但把它們連成句子後就一句也看不懂瞭。

評分☆☆☆☆☆

東拼西湊也能成書？那些書也太簡單瞭。 1~12章，全部是簡單的Python基礎知識，不如看官方文檔。從第13章開始，內容與作者另一本《量化投資以R語言為工具》除瞭習題，其它完全一緻，並且也是東拼西湊。

評分☆☆☆☆☆

書不錯，慢慢看吧，我要京豆

評分☆☆☆☆☆

包裝很好，全新的，有機會好好學習下

評分☆☆☆☆☆

說真的看瞭評價有點後悔，拿到手發現真的後悔，沒什麼真材實料的東西，基本就是在粗略介紹，沒有實際的能上手的東西，方法都沒有

評分☆☆☆☆☆

非常好滿意～～～～～～～～～

評分☆☆☆☆☆

很多習題跟前麵知識不掛鈎，相當一部分習題要用到內容中完全沒涉及的API，甚至在講Pandas那一章，8道習題有6道是NumPy的……

類似圖書 點擊查看全場最低價