MATLAB金融算法分析實(shí)戰(zhàn)：基于機(jī)器學(xué)習(xí)的股票量化分析

目錄
前言
在線交流，有問(wèn)有答
第1篇 MATLAB常用算法應(yīng)用設(shè)計(jì)
第1章 MATLAB入門(mén)與提高2
1.1 矩陣運(yùn)算4
1.2 放大局部視圖6
1.3 Monte Carlo方法7
1.4 金融工具箱繪圖函數(shù)的使用9
1.4.1 bolling（布林線）函數(shù)10
1.4.2 highlow（高低價(jià)）函數(shù)13
1.4.3 candle（陰陽(yáng)燭圖）函數(shù)16
1.4.4　kagi（折線圖）函數(shù)21
1.4.5 renko（磚形圖）函數(shù)22
1.4.6　movavg（移動(dòng)平均圖）函數(shù)23
1.4.7 priceandvol（成交量圖）函數(shù)27
1.4.8 pointfig（漲跌點(diǎn)圖）函數(shù)28
1.4.9 volarea（成交量面積圖）函數(shù)30
第2章 MATLAB高級(jí)應(yīng)用32
2.1 正余弦函數(shù)計(jì)算32
2.2 pcode加密32
2.3 基本GUI設(shè)計(jì)33
2.4 GUI的優(yōu)化布局41
2.5 日期格式函數(shù)43
2.6 日期轉(zhuǎn)化函數(shù)45
2.7 創(chuàng)建一個(gè)金融時(shí)間數(shù)據(jù)序列47
2.8 股票技術(shù)分析圖函數(shù)使用49
第3章 時(shí)間序列數(shù)據(jù)處理55
3.1 平均絕對(duì)離差55
3.2 序列最大值57
3.3 序列最小值60
3.4 簡(jiǎn)單移動(dòng)平均值62
3.5 動(dòng)態(tài)移動(dòng)平均值65
3.6 指數(shù)平滑移動(dòng)平均值67
3.7 指數(shù)移動(dòng)平均值69
第4章 量化投資趨向指標(biāo)73
4.1 升降線指標(biāo)73
4.2 動(dòng)力指標(biāo)76
4.3 變動(dòng)速率線指標(biāo)77
4.4 瀑布線指標(biāo)79
4.5 上升動(dòng)向指標(biāo)81
4.6 下降動(dòng)向指標(biāo)83
4.7 動(dòng)向平均數(shù)指標(biāo)85
4.8 多空指數(shù)指標(biāo)88
4.9 佳慶指標(biāo)90
4.10 市場(chǎng)趨勢(shì)指標(biāo)92
4.11 方向標(biāo)準(zhǔn)離差指數(shù)指標(biāo)94
4.12 平均線差97
4.13 趨向指標(biāo)98
4.14 簡(jiǎn)易波動(dòng)指標(biāo)102
4.15 鬼道線指標(biāo)104
4.16 絕路航標(biāo)指標(biāo)106
4.17 加速線指標(biāo)109
4.18 平滑異同平均指標(biāo)111
4.19 快速異同平均指標(biāo)113
4.20 強(qiáng)弱值指標(biāo)115
4.21 三重指數(shù)平滑平均線指標(biāo)117
4.22 終極指標(biāo)119
4.23 變異平均線指標(biāo)122
第5章 量化投資反趨向指標(biāo)124
5.1 幅度漲速指標(biāo)124
5.2 動(dòng)態(tài)買(mǎi)賣(mài)人氣指標(biāo)126
5.3 布林極限指標(biāo)128
5.4 乖離率指標(biāo)131
5.5 異同離差乖離率指標(biāo)133
5.6 順勢(shì)指標(biāo)135
5.7 市場(chǎng)能量指標(biāo)137
5.8 多空線指標(biāo)139
5.9 區(qū)間震蕩線指標(biāo)141
5.10 分水嶺指標(biāo)142
5.11 隨機(jī)指標(biāo)144
5.12 威廉指標(biāo)148
5.13 L威廉指標(biāo)150
5.14 變動(dòng)速率指標(biāo)152
5.15 相對(duì)強(qiáng)弱指標(biāo)153
5.16 慢速隨機(jī)指標(biāo)156
5.17 擺動(dòng)指標(biāo)159
5.18 動(dòng)向速度比率指標(biāo)162
5.19 引力線指標(biāo)164
5.20 布林極限寬度指標(biāo)166
第2篇 MATLAB機(jī)器學(xué)習(xí)算法應(yīng)用設(shè)計(jì)
第6章 BP神經(jīng)網(wǎng)絡(luò)工具箱上證指數(shù)預(yù)測(cè)170
6.1 BP神經(jīng)網(wǎng)絡(luò)模型及其基本原理170
6.2 MATLAB BP神經(jīng)網(wǎng)絡(luò)工具箱171
6.3 BP神經(jīng)網(wǎng)絡(luò)執(zhí)行流程173
6.4 基于BP網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)174
6.5 改進(jìn)分析178
第7章 BP神經(jīng)網(wǎng)絡(luò)工具箱多指標(biāo)預(yù)測(cè)186
7.1 BP神經(jīng)網(wǎng)絡(luò)186
7.2 多指標(biāo)選取187
7.3 基于趨勢(shì)指標(biāo)的BP網(wǎng)絡(luò)預(yù)測(cè)195
7.4 基于反趨勢(shì)指標(biāo)的BP網(wǎng)絡(luò)預(yù)測(cè)204
7.5 基于趨勢(shì)和反趨勢(shì)指標(biāo)的BP網(wǎng)絡(luò)預(yù)測(cè)211
第8章 RBF神經(jīng)網(wǎng)絡(luò)多指標(biāo)預(yù)測(cè)216
8.1 RBF神經(jīng)網(wǎng)絡(luò)216
8.2 RBF網(wǎng)絡(luò)結(jié)構(gòu)216
8.3 多指標(biāo)選取219
8.4 基于趨勢(shì)指標(biāo)的RBF網(wǎng)絡(luò)預(yù)測(cè)220
8.5 基于反趨勢(shì)指標(biāo)的RBF網(wǎng)絡(luò)預(yù)測(cè)224
8.6 基于趨勢(shì)和反趨勢(shì)指標(biāo)的RBF網(wǎng)絡(luò)預(yù)測(cè)228
第9章 Hopfield神經(jīng)網(wǎng)絡(luò)多指標(biāo)預(yù)測(cè)232
9.1 Hopfield神經(jīng)網(wǎng)絡(luò)232
9.2 多指標(biāo)選取234
9.3 基于趨勢(shì)指標(biāo)的Hopfield網(wǎng)絡(luò)預(yù)測(cè)234
9.4 基于反趨勢(shì)指標(biāo)的Hopfield網(wǎng)絡(luò)預(yù)測(cè)237
9.5 基于趨勢(shì)和反趨勢(shì)指標(biāo)的Hopfield網(wǎng)絡(luò)預(yù)測(cè)239
第10章 馬爾可夫（Markov）鏈上證指數(shù)預(yù)測(cè)242
10.1 馬爾可夫鏈模型242
10.2 馬爾可夫鏈模型流程242
10.3 馬爾可夫鏈預(yù)測(cè)243
10.4 隱馬爾可夫模型函數(shù)表253
第11章 灰色理論下的上證指數(shù)預(yù)測(cè)254
11.1 灰色理論分析254
11.2 灰色關(guān)聯(lián)分析流程254
11.3 多指標(biāo)灰色關(guān)聯(lián)度計(jì)算255
11.4 灰色預(yù)測(cè)模型流程259
11.5 ACCER幅度漲速指標(biāo)灰色預(yù)測(cè)260
第12章 指數(shù)平滑下的上證指數(shù)預(yù)測(cè)263
12.1 指數(shù)平滑分析263
12.1.1 一次指數(shù)平滑預(yù)測(cè)法263
12.1.2 二次指數(shù)平滑預(yù)測(cè)法264
12.1.3 三次指數(shù)平滑預(yù)測(cè)法264
12.2 指數(shù)平滑仿真265
12.2.1 一次指數(shù)平滑265
12.2.2 二次指數(shù)平滑268
12.2.3 三次指數(shù)平滑270
第13章 支持向量機(jī)SVM下的漲跌預(yù)測(cè)274
13.1 Logistic回歸274
13.2 Regularization正則化方程275
13.3 支持向量機(jī)SVM算法275
13.4 MATLAB優(yōu)化工具箱277
13.4.1 線性規(guī)劃問(wèn)題278
13.4.2 非線性規(guī)劃問(wèn)題279
13.4.3 二次規(guī)劃問(wèn)題280
13.4.4 線性最小二乘282
13.4.5 非線性曲線擬合283
13.4.6 非線性最小二乘284
13.5 SVM下的上證指數(shù)漲跌預(yù)測(cè)285
13.6 PSO優(yōu)化的SVM多分類(lèi)預(yù)測(cè)297
第14章 貝葉斯（Bayes）網(wǎng)絡(luò)多指標(biāo)預(yù)測(cè)305
14.1 貝葉斯統(tǒng)計(jì)方法305
14.2 貝葉斯預(yù)測(cè)方法307
14.3 貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)307
14.4 貝葉斯網(wǎng)絡(luò)下的價(jià)格指數(shù)建模與預(yù)測(cè)317
14.4.1 讀入采集到的數(shù)據(jù)318
14.4.2 建立貝葉斯網(wǎng)絡(luò)319
14.4.3 對(duì)構(gòu)建的貝葉斯網(wǎng)絡(luò)進(jìn)行參數(shù)學(xué)習(xí)319
14.4.4 條件概率分析321
第15章 Pareto多目標(biāo)優(yōu)化分析325
15.1 經(jīng)典測(cè)試函數(shù)325
15.2 遺傳算法優(yōu)化的單目標(biāo)模型330
15.3 Pareto多目標(biāo)求解GUI設(shè)