123,123,123

內(nèi)容簡(jiǎn)介

　　Python量化回溯、TensorFlow、PyTorch、MXNet深度學(xué)習(xí)平臺(tái)以及神經(jīng)網(wǎng)絡(luò)模型，都是近年來(lái)興起的前沿科技項(xiàng)目，相關(guān)理論、平臺(tái)、工具目前尚處于摸索階段。 TensorFlow是近年來(lái)影響大的神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)平臺(tái)，本書從入門者的角度，對(duì)TensorFlow進(jìn)行了介紹，《零起點(diǎn)TensorFlow與量化交易》中通過(guò)大量的實(shí)際案例，讓初學(xué)者快速掌握神經(jīng)網(wǎng)絡(luò)和金融量化分析的基本編程，為進(jìn)一步學(xué)習(xí)奠定扎實(shí)的基礎(chǔ)。《零起點(diǎn)TensorFlow與量化交易》中的案例、程序以教學(xué)為主，且進(jìn)行了高度簡(jiǎn)化，以便讀者能夠快速理解相關(guān)內(nèi)容，短時(shí)間了解Python量化回溯的整個(gè)流程，以及數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)的應(yīng)用。《零起點(diǎn)TensorFlow與量化交易》僅僅作為入門課程，具體的實(shí)盤策略，有待廣大讀者通過(guò)進(jìn)一步深入學(xué)習(xí)TensorFlow、PyTorch等新一代深度學(xué)習(xí)平臺(tái)來(lái)獲得。更重要的是，廣大的一線實(shí)盤操作人員需要結(jié)合專業(yè)的金融操盤經(jīng)驗(yàn)，與各種神經(jīng)網(wǎng)絡(luò)模型融會(huì)貫通，構(gòu)建更加符合金融量化實(shí)際應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型，從而獲得更好的投資回報(bào)收益。

作者簡(jiǎn)介

　　何海群，網(wǎng)名：字王，CHRD前海智庫(kù)CTO，《中華大字庫(kù)》發(fā)明人，20年人工智能從業(yè)經(jīng)驗(yàn)；zwPython開發(fā)平臺(tái)、TopQuant.vip極寬量化系統(tǒng)設(shè)計(jì)師，中國(guó)“Python創(chuàng)客”項(xiàng)目發(fā)起人，國(guó)內(nèi)Python量化項(xiàng)目的啟蒙者和開拓者：《Python量化實(shí)盤·魔鬼訓(xùn)練營(yíng)》，Top極寬量化開源團(tuán)隊(duì)的創(chuàng)始人。2018年于深圳華僑城創(chuàng)意園，啟動(dòng)太和極寬金融孵化基地：金融、科技、藝術(shù)三位一體。研究成果有：BigQuant理論架構(gòu)：Python量化+數(shù)字貨幣+人工智能；“小數(shù)據(jù)”理論，GPU超算工作站、MTRD多節(jié)點(diǎn)超算集群算法、“1+N”網(wǎng)絡(luò)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(shè)計(jì)》是中文字庫(kù)行業(yè)三大基礎(chǔ)建模理論之一。

圖書目錄

第1章 TensorFlow概述 1
1.1 TensorFlow要點(diǎn)概括 2
1.2 TensorFlow簡(jiǎn)化接口 2
1.3 Keras簡(jiǎn)介 3
1.4 運(yùn)行環(huán)境模塊的安裝 4
1.4.1 CUDA運(yùn)行環(huán)境的安裝 4
案例1-1：重點(diǎn)模塊版本測(cè)試 5
案例1-2：GPU開發(fā)環(huán)境測(cè)試 8
1.4.2 GPU平臺(tái)運(yùn)行結(jié)果 9
第2章無(wú)數(shù)據(jù)不量化（上） 12
2.1 金融數(shù)據(jù)源 13
2.1.1 TopDat金融數(shù)據(jù)集 14
2.1.2 量化分析與試錯(cuò)成本 15
2.2 OHLC金融數(shù)據(jù)格式 16
案例2-1：金融數(shù)據(jù)格式 17
2.3 K線圖 18
案例2-2：繪制金融數(shù)據(jù)K線圖 19
2.4 Tick數(shù)據(jù)格式 22
案例2-3：Tick數(shù)據(jù)格式 23
2.4.1 Tick數(shù)據(jù)與分時(shí)數(shù)據(jù)轉(zhuǎn)換 25
案例2-4：分時(shí)數(shù)據(jù) 25
2.4.2 resample函數(shù) 26
2.4.3 分時(shí)數(shù)據(jù) 26
2.5 離線金融數(shù)據(jù)集 29
案例2-5：TopDat金融數(shù)據(jù)集的日線數(shù)據(jù) 29
案例2-6：TopDat金融數(shù)據(jù)集的Tick數(shù)據(jù) 31
2.6 TopDown金融數(shù)據(jù)下載 33
案例2-7：更新單一A股日線數(shù)據(jù) 34
案例2-8：批量更新A股日線數(shù)據(jù) 37
2.6.1 Tick數(shù)據(jù)與分時(shí)數(shù)據(jù) 40
案例2-9：更新單一A股分時(shí)數(shù)據(jù) 40
案例2-10：批量更新分時(shí)數(shù)據(jù) 43
2.6.2 Tick數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù) 45
案例2-11：更新單一實(shí)時(shí)數(shù)據(jù) 45
案例2-12：更新全部實(shí)時(shí)數(shù)據(jù) 48
第3章無(wú)數(shù)據(jù)不量化（下） 51
3.1 均值優(yōu)先 51
案例3-1：均值計(jì)算與價(jià)格曲線圖 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：均線因子 55
3.3 “25日神定律” 59
案例3-3：時(shí)間因子 61
案例3-4：分時(shí)時(shí)間因子 63
3.4 TA-Lib金融指標(biāo) 66
3.5 TQ智能量化回溯系統(tǒng) 70
3.6 全內(nèi)存計(jì)算 70
案例3-5：增強(qiáng)版指數(shù)索引 71
案例3-6：AI版索引數(shù)據(jù)庫(kù) 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版本日線數(shù)據(jù) 85
3.9 大盤指數(shù) 87
案例3-10：指數(shù)日線數(shù)據(jù) 88
案例3-11：TQ版本指數(shù)K線圖 89
案例3-12：個(gè)股和指數(shù)曲線對(duì)照?qǐng)D 92
3.10 TDS金融數(shù)據(jù)集 96
案例3-13：TDS衍生數(shù)據(jù) 98
案例3-14：TDS金融數(shù)據(jù)集的制作 102
案例3-15：TDS金融數(shù)據(jù)集2.0 105
案例3-16：讀取TDS金融數(shù)據(jù)集 108
第4章人工智能與趨勢(shì)預(yù)測(cè) 112
4.1 TFLearn簡(jiǎn)化接口 112
4.2 人工智能與統(tǒng)計(jì)關(guān)聯(lián)度分析 113
4.3 關(guān)聯(lián)分析函數(shù)corr 113
4.3.1 Pearson相關(guān)系數(shù) 114
4.3.2 Spearman相關(guān)系數(shù) 114
4.3.3 Kendall相關(guān)系數(shù) 115
4.4 open（開盤價(jià)）關(guān)聯(lián)性分析 115
案例4-1：open關(guān)聯(lián)性分析 115
4.5 數(shù)值預(yù)測(cè)與趨勢(shì)預(yù)測(cè) 118
4.5.1 數(shù)值預(yù)測(cè) 119
4.5.2 趨勢(shì)預(yù)測(cè) 120
案例4-2：ROC計(jì)算 120
案例4-3：ROC與交易數(shù)據(jù)分類 123
4.6 n+1大盤指數(shù)預(yù)測(cè) 128
4.6.1 線性回歸模型 128
案例4-4：上證指數(shù)n+1的開盤價(jià)預(yù)測(cè) 129
案例4-5：預(yù)測(cè)數(shù)據(jù)評(píng)估 133
4.6.2 效果評(píng)估函數(shù) 136
4.6.3 常用的評(píng)測(cè)指標(biāo) 138
4.7 n+1大盤指數(shù)趨勢(shì)預(yù)測(cè) 139
案例4-6：漲跌趨勢(shì)歸一化分類 140
案例4-7：經(jīng)典版漲跌趨勢(shì)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(shì)預(yù)測(cè) 150
第5章單層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股價(jià) 156
5.1 Keras簡(jiǎn)化接口 156
5.2 單層神經(jīng)網(wǎng)絡(luò) 158
案例5-1：?jiǎn)螌由窠?jīng)網(wǎng)絡(luò)模型 158
5.3 神經(jīng)網(wǎng)絡(luò)常用模塊 168
案例5-2：可視化神經(jīng)網(wǎng)絡(luò)模型 170
案例5-3：模型讀寫 174
案例5-4：參數(shù)調(diào)優(yōu)入門 177
第6章 MLP與股價(jià)預(yù)測(cè) 182
6.1 MLP 182
案例6-1：MLP價(jià)格預(yù)測(cè)模型 183
6.2 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用四大環(huán)節(jié) 189
案例6-2：MLP模型評(píng)估 190
案例6-3：優(yōu)化MLP價(jià)格預(yù)測(cè)模型 194
案例6-4：優(yōu)化版MLP模型評(píng)估 197
第7章 RNN與趨勢(shì)預(yù)測(cè) 200
7.1 RNN 200
7.2 IRNN與趨勢(shì)預(yù)測(cè) 201
案例7-1：RNN趨勢(shì)預(yù)測(cè)模型 201
案例7-2：RNN模型評(píng)估 209
案例7-3：RNN趨勢(shì)預(yù)測(cè)模型2 211
案例7-4：RNN模型2評(píng)估 214
第8章 LSTM與量化分析 217
8.1 LSTM模型 217
8.1.1 數(shù)值預(yù)測(cè) 218
案例8-1：LSTM價(jià)格預(yù)測(cè)模型 219
案例8-2：LSTM價(jià)格預(yù)測(cè)模型評(píng)估 226
8.1.2 趨勢(shì)預(yù)測(cè) 230
案例8-3：LSTM股價(jià)趨勢(shì)預(yù)測(cè)模型 231
案例8-4：LSTM趨勢(shì)模型評(píng)估 239
8.2 LSTM量化回溯分析 242
8.2.1 構(gòu)建模型 243
案例8-5：構(gòu)建模型 243
8.2.2 數(shù)據(jù)整理 251
案例8-6：數(shù)據(jù)整理 251
8.2.3 回溯分析 262
案例8-7：回溯分析 262
8.2.4 專業(yè)回報(bào)分析 268
案例8-8：量化交易回報(bào)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(shù)據(jù)整理 280
8.3.2 量化回溯 284
8.3.3 回報(bào)分析 285
8.3.4 專業(yè)回報(bào)分析 288
第9章日線數(shù)據(jù)回溯分析 293
9.1 數(shù)據(jù)整理 293
案例9-1：數(shù)據(jù)更新 294
案例9-2：數(shù)據(jù)整理 296
9.2 回溯分析 307
9.2.1 回溯主函數(shù) 307
9.2.2 交易信號(hào) 308
9.3 交易接口函數(shù) 309
案例9-3：回溯分析 309
案例9-4：多模式回溯分析 316
第10章 Tick數(shù)據(jù)回溯分析 318
10.1 ffn金融模塊庫(kù) 318
案例10-1：ffn功能演示 318
案例10-2：量化交易回報(bào)分析 330
案例10-3：完整的量化分析程序 343
10.2 Tick分時(shí)數(shù)據(jù)量化分析 357
案例10-4：Tick分時(shí)量化分析程序 357
總結(jié) 371
附錄A TensorFlow 1.1函數(shù)接口變化 372
附錄B 神經(jīng)網(wǎng)絡(luò)常用算法模型 377
附錄C 機(jī)器學(xué)習(xí)常用算法模型 414