Python機(jī)器學(xué)習(xí)與量化投資

目 錄
第1 章 Python 與機(jī)器學(xué)習(xí)．．．．．． 1
1．1 scikit-learn 模塊庫(kù)．．．．．．．． 2
1．1．1 scikit-learn 的缺點(diǎn)． 3
1．1．2 scikit-learn 算法模塊．．．．．．．．． 4
1．1．3 scikit-learn 六大功能．．．．．．．．． 5
1．2 開(kāi)發(fā)環(huán)境搭建．．．．．． 8
1．2．1 AI 領(lǐng)域的標(biāo)準(zhǔn)編程語(yǔ)言：Python 8
1．2．2 zwPython：難度降低90%，性能提高10 倍．． 9
1．2．3 “零對(duì)象”編程模式．．．．．．．． 11
1．2．4 開(kāi)發(fā)平臺(tái)搭建．．．．．． 12
1．2．5 程序目錄結(jié)構(gòu)．．．．．． 12
案例1-1：重點(diǎn)模塊版本測(cè)試．．．． 13
1．3 機(jī)器學(xué)習(xí)：從忘卻開(kāi)始．．．．．．． 17
1．4 學(xué)習(xí)路線圖．．．．．．．． 20
第2 章 機(jī)器學(xué)習(xí)編程入門(mén)．．．．． 21
2．1 經(jīng)典機(jī)器學(xué)習(xí)算法．．．．． 21
2．2 經(jīng)典愛(ài)麗絲．．．．．．．． 22
案例2-1：經(jīng)典愛(ài)麗絲．．．． 24
案例2-2：愛(ài)麗絲進(jìn)化與文本矢量化．． 26
2．3 機(jī)器學(xué)習(xí)算法流程．．．．． 28
2．4 機(jī)器學(xué)習(xí)數(shù)據(jù)集．．．．．．．．． 28
案例2-3：愛(ài)麗絲分解．．．． 29
2．5 數(shù)據(jù)切割函數(shù)．．．． 33
2．6 線性回歸算法．．．． 34
案例2-4：愛(ài)麗絲回歸．．．． 35
第3 章 金融數(shù)據(jù)的預(yù)處理．．．．． 40
3．1 至簡(jiǎn)歸一法．．．．．．．． 40
案例3-1：麻煩的外匯數(shù)據(jù)．．．．．．．． 41
案例3-2：尷尬的日元．．．． 45
案例3-3：兇殘的比特幣 49
3．2 股票池與Rebase．．．．．．．．． 51
3．2．1 股票池．．．．．．．． 51
3．2．2 Rebase 與歸一化．． 52
案例3-4：股票池Rebase 歸一化．．．．．．．． 53
3．3 金融數(shù)據(jù)切割．．．． 57
案例3-5：當(dāng)上證遇到機(jī)器學(xué)習(xí) 58
3．4 preprocessing 模塊．．．．． 63
案例3-6：比特幣與標(biāo)準(zhǔn)化．．．．．．．． 65
案例3-7：比特幣與歸一化．．．．．．．． 69
第4 章 機(jī)器學(xué)習(xí)快速入門(mén)．．．．． 72
4．1 回歸算法． 72
4．2 LR 線性回歸模型．．．．．．． 73
案例4-1：上證指數(shù)之LR 回歸事件．．． 76
4．3 常用評(píng)測(cè)指標(biāo)．．．． 81
4．4 多項(xiàng)式回歸．．．．．．．． 83
案例4-2：上證指數(shù)的多項(xiàng)式故事．．．．．． 83
案例4-3：預(yù)測(cè)比特幣價(jià)格．．．．．．．． 86
4．5 邏輯回歸算法模型．．．．． 87
案例4-4：上證指數(shù)預(yù)測(cè)邏輯回歸版．． 88
第5 章 模型驗(yàn)證優(yōu)化．．．．． 96
5．1 交叉驗(yàn)證評(píng)估器．．．．．．．．． 96
案例5-1：交叉驗(yàn)證．．．．．．．． 98
5．2 交叉驗(yàn)證評(píng)分．． 101
案例5-2：交叉驗(yàn)證評(píng)分 101
第6 章 決策樹(shù)．．．． 103
6．1 決策樹(shù)算法．．．．．． 103
6．1．1 ID3 算法與C4．5 算法．．． 105
6．1．2 常用決策樹(shù)算法 106
6．1．3 sklearn 內(nèi)置決策樹(shù)算法 107
6．2 決策樹(shù)回歸函數(shù)．．．．．．． 109
案例6-1：決策樹(shù)回歸算法．．．．．． 110
6．3 決策樹(shù)分類(lèi)函數(shù)．．．．．．． 115
案例6-2：決策樹(shù)分類(lèi)算法．．．．．． 116
6．4 GBDT 算法．．．．．． 121
6．5 迭代決策樹(shù)函數(shù)．．．．．．． 122
案例6-3：GBDT 回歸算法．．．．．． 123
案例6-4：GBDT 分類(lèi)算法．．．．．． 128
第7 章 隨機(jī)森林算法和極端隨機(jī)樹(shù)算法 133
7．1 隨機(jī)森林函數(shù)．． 135
7．2 決策樹(shù)測(cè)試框架．．．．．．． 137
案例7-1：RF 回歸算法大測(cè)試 138
7．3 決策樹(shù)測(cè)試函數(shù)．．．．．．． 140
案例7-2：上證的RF 回歸頻道．．．．．．．．． 142
案例7-3：當(dāng)比特幣碰到RF 回歸算法．．．．．．．．． 146
案例7-4：上證和RF 分類(lèi)算法．．．．．．．．． 147
7．4 極端隨機(jī)樹(shù)算法．．．．．．． 150
7．5 極端隨機(jī)樹(shù)函數(shù)．．．．．．． 151
案例7-5：極端隨機(jī)樹(shù)回歸算法．．．．．．．． 152
案例7-6：上證指數(shù)案例應(yīng)用．． 154
案例7-7：ET、比特幣，誰(shuí)更極端．．． 155
第8 章 機(jī)器學(xué)習(xí)算法模式．．． 159
8．1 學(xué)習(xí)模式． 161
8．2 機(jī)器學(xué)習(xí)五大流派．．． 164
8．3 經(jīng)典機(jī)器學(xué)習(xí)算法．．． 165
8．4 小結(jié)．．．．．．．． 166
第9 章 概率編程 167
9．1 樸素貝葉斯的上證之旅．．．．． 168
案例9-1：上證樸素貝葉斯算法．．．．．．．． 170
9．2 隱馬爾可夫模型．．．．．．． 175
案例9-2：HMM 模型與模型保存．．．．． 176
案例9-3：HMM 算法與模型讀?。?180
第10 章 實(shí)例算法．．．．．．．．． 185
K 最近鄰算法 186
案例10-1：第一次驚喜――KNN 算法．．．．．．．．． 187
案例10-2：KNN 分類(lèi)．． 190
第11 章 正則化算法．．．．． 192
11．1 嶺回歸算法．．．． 193
案例11-1：新高度――嶺回歸算法．．． 195
11．2 套索回歸算法 197
案例11-2：套索回歸算法應(yīng)用 199
11．3 彈性網(wǎng)絡(luò)算法 201
案例11-3：彈性網(wǎng)絡(luò)算法應(yīng)用 202
11．4 最小角回歸算法．．．．． 204
案例11-4：LARS 算法應(yīng)用．．．．． 204
第12 章 聚類(lèi)分析．．．．．．．．． 206
12．1 K 均值算法．．．． 207
案例12-1：K 均值算法應(yīng)用．．．． 208
12．2 BIRCH 算法．．． 210
案例12-2：BIRCH 算法應(yīng)用．．． 211
12．3 小結(jié)．．．．．． 213
第13 章 降維算法．．．．．．．．． 215
13．1 主成分分析．．．． 216
案例13-1：主成分分析的應(yīng)用 218
案例13-2：PCA 算法的上證戲法．．．．． 223
13．2 奇異值分解算法．．．．． 227
案例13-3：奇異果傳說(shuō)：SVD 228
第14 章 集成算法．．．．．．．．． 229
14．1 sklearn 內(nèi)置集成算法．．．．．．． 231
14．2 裝袋算法．．．．．．．．． 232
案例14-1：裝袋回歸算法．．．．．．．． 232
案例14-2：裝袋分類(lèi)算法．．．．．．．． 234
14．3 AdaBoost 迭代算法． 236
案例14-3：AdaBoost 迭代回歸算法． 237
案例14-4：AdaBoost 迭代分類(lèi)算法． 239
第15 章 支持向量機(jī)．．．．． 242
15．1 支持向量機(jī)算法．．．．． 242
15．2 SVM 函數(shù)接口．．．．．．．． 244
案例15-1：SVM 回歸算法．．．．．． 245
案例15-2：SVM 分類(lèi)算法．．．．．． 247
第16 章 人工神經(jīng)網(wǎng)絡(luò)算法． 250
16．1 多層感知器．．．． 252
案例16-1：多層感知器回歸算法．．．．．． 253
案例16-2：多層感知器分類(lèi)算法．．．．．． 256
附錄A sklearn 常用模塊和函數(shù)．．．．． 259
附錄B 量化分析常用指標(biāo)．．．． 284