AI時(shí)代Python金融大數(shù)據(jù)分析實(shí)戰(zhàn)：ChatGPT讓金融大數(shù)據(jù)分析插上翅膀

第1章
ChatGPT在金融大數(shù)據(jù)分析中的作用
1.1 ChatGPT生成金融數(shù)據(jù)分析代碼示例的案例2
1.1.1 案例1：生成數(shù)據(jù)清洗和預(yù)處理代碼示例2
1.1.2 案例2：生成特征工程代碼示例3
1.2 ChatGPT回答金融領(lǐng)域知識(shí)的案例3
1.2.1 案例3：解答金融市場(chǎng)知識(shí)4
1.2.2 案例4：解釋經(jīng)濟(jì)學(xué)理論4
1.2.3 案例5：解答金融產(chǎn)品相關(guān)問題5
1.2.4 案例6：解答金融風(fēng)險(xiǎn)管理相關(guān)問題5
1.3 ChatGPT輔助發(fā)現(xiàn)數(shù)據(jù)中的模式和特征6
1.4 本章總結(jié)6
第2章
金融大數(shù)據(jù)分析Python基礎(chǔ)
2.1 Python解釋器8
2.2 IDE工具10
2.2.1 安裝Jupyter Notebook10
2.2.2 啟動(dòng)Jupyter Notebook11
2.3 第一個(gè)Python程序13
2.3.1 編寫腳本文件運(yùn)行第一個(gè)Python程序13
2.3.2 使用Jupyter Notebook編寫和運(yùn)行第一個(gè)Python程序13
2.4 Python語法基礎(chǔ)14
2.4.1 標(biāo)識(shí)符14
2.4.2 關(guān)鍵字14
2.4.3 變量聲明15
2.4.4 語句15
2.4.5 Python代碼塊16
2.4.6 模塊16
2.5 數(shù)據(jù)類型與運(yùn)算符18
2.5.1 數(shù)據(jù)類型18
2.5.2 運(yùn)算符20
2.6 控制語句24
2.6.1 分支語句24
2.6.2 循環(huán)語句26
2.6.3 跳轉(zhuǎn)語句28
2.7 序列29
2.7.1 索引操作 30
2.7.2 序列切片31
2.7.3 可變序列——列表32
2.7.4 不可變序列——元組33
2.7.5 列表推導(dǎo)式34
2.8 集合35
2.8.1 創(chuàng)建集合35
2.8.2 集合推導(dǎo)式36
2.9 字典36
2.9.1 創(chuàng)建字典37
2.9.2 字典推導(dǎo)式38
2.10 字符串類型38
2.10.1 字符串表示方式38
2.10.2 字符串格式化40
2.11 函數(shù)40
2.11.1 匿名函數(shù)與lambda表達(dá)式41
2.11.2 數(shù)據(jù)處理中的兩個(gè)常用函數(shù)43
2.12 文件操作44
文件讀寫45
2.13 異常處理48
2.13.1 捕獲異常48
2.13.2 釋放資源49
2.14 多線程52
創(chuàng)建線程52
2.15 本章總結(jié)55
第3章
金融大數(shù)據(jù)的獲取
3.1 金融大數(shù)據(jù)概述57
3.1.1 數(shù)據(jù)來源57
3.1.2 數(shù)據(jù)采集工具和技術(shù)58
3.2 網(wǎng)絡(luò)爬蟲58
3.2.1 網(wǎng)絡(luò)爬蟲原理58
3.2.2 網(wǎng)絡(luò)爬蟲的應(yīng)用59
3.2.3 使用urllib爬取靜態(tài)網(wǎng)頁(yè)數(shù)據(jù)59
3.2.4 案例1：爬取納斯達(dá)克股票數(shù)據(jù)60
3.3 解析數(shù)據(jù)62
3.3.1 使用BeautifulSoup庫(kù)63
3.3.2 案例2：解析納斯達(dá)克股票數(shù)據(jù)63
3.3.3 使用Selenium爬取動(dòng)態(tài)網(wǎng)頁(yè)數(shù)據(jù)67
3.3.4 案例3：爬取搜狐證券貴州茅臺(tái)股票數(shù)據(jù)69
3.3.5 案例4：使用Selenium解析HTML數(shù)據(jù)71
3.4 使用API調(diào)用獲取數(shù)據(jù)72
3.4.1 常見的金融數(shù)據(jù)API73
3.4.2 使用TushareAPI獲取數(shù)據(jù)74
3.4.3 案例5：使用Tushare API獲取貴州茅臺(tái)股票數(shù)據(jù)74
3.5 使用ChatGPT輔助獲取數(shù)據(jù)76
3.5.1 案例6：使用ChatGPT解釋和理解數(shù)據(jù)格式76
3.5.2 案例7：使用ChatGPT提供數(shù)據(jù)處理示例代碼77
3.5.3 案例8：使用ChatGPT幫助解決數(shù)據(jù)獲取問題79
3.6 本章總結(jié)80
第4章
金融大數(shù)據(jù)基礎(chǔ)庫(kù)：NumPy
4.1 NumPy庫(kù)82
4.1.1 為什么選擇NumPy82
4.1.2 安裝NumPy庫(kù)83
4.2 創(chuàng)建數(shù)組83
4.2.1 創(chuàng)建一維數(shù)組83
4.2.2 指定數(shù)組數(shù)據(jù)類型84
4.2.3 創(chuàng)建一維數(shù)組更多方式85
4.2.4 使用arange函數(shù)85
4.2.5 等差數(shù)列與linspace函數(shù)86
4.2.6 等比數(shù)列與logspace函數(shù)88
4.3 二維數(shù)組 89
創(chuàng)建二維數(shù)組89
4.4 創(chuàng)建二維數(shù)組更多方式90
4.4.1 使用ones函數(shù)90
4.4.2 使用zeros函數(shù)91
4.4.3 使用empty函數(shù)91
4.4.4 使用full函數(shù)92
4.4.5 使用identity函數(shù)93
4.4.6 使用eye函數(shù)94
4.5 數(shù)組的屬性95
4.6 數(shù)組的軸95
4.7 三維數(shù)組96
4.8 訪問數(shù)組96
4.8.1 索引訪問96
4.8.2 切片訪問98
4.8.3 花式索引100
4.9 本章總結(jié)100
第5章
金融大數(shù)據(jù)分析庫(kù)：Pandas
5.1 Pandas庫(kù)介紹102
5.1.1 為什么選擇Pandas102
5.1.2 安裝Pandas庫(kù)103
5.2 Series數(shù)據(jù)結(jié)構(gòu)103
5.2.1 理解Series數(shù)據(jù)結(jié)構(gòu)103
5.2.2 創(chuàng)建Series對(duì)象104
5.2.3 訪問Series數(shù)據(jù)106
5.2.4 通過下標(biāo)訪問Series數(shù)據(jù)107
5.2.5 通過切片訪問Series數(shù)據(jù)107
5.3 DataFrame數(shù)據(jù)結(jié)構(gòu)110
創(chuàng)建DataFrame對(duì)象110
5.4 訪問DataFrame數(shù)據(jù)113
5.4.1 訪問DataFrame列113
5.4.2 訪問DataFrame行114
5.4.3 切片訪問115
5.5 本章總結(jié)116
第6章
金融大數(shù)據(jù)的預(yù)處理與清洗
6.1 數(shù)據(jù)清洗和預(yù)處理118
6.1.1 使用ChatGPT輔助數(shù)據(jù)清洗118
6.1.2 案例1：使用ChatGPT輔助分析股票數(shù)據(jù)119
6.1.3 案例2：處理股票數(shù)據(jù)缺失值問題120
6.1.4 案例3：處理股票數(shù)據(jù)類型不一致問題123
6.1.5 案例4：處理股票數(shù)據(jù)異常值問題124
6.2 本章總結(jié)125
第7章
金融大數(shù)據(jù)的存儲(chǔ)
7.1 使用MySQL數(shù)據(jù)庫(kù)127
7.1.1 MySQL數(shù)據(jù)庫(kù)管理系統(tǒng)127
7.1.2 安裝MySQL8數(shù)據(jù)庫(kù)128
7.1.3 客戶端登錄服務(wù)器130
7.1.4 圖形界面客戶端工具130
7.1.5 安裝PyMySQL庫(kù)135
7.1.6 訪問數(shù)據(jù)庫(kù)的一般流程136
7.1.7 案例1：訪問蘋果股票數(shù)據(jù)138
7.2 使用Pandas讀寫MySQL數(shù)據(jù)庫(kù)141
7.2.1 示例2：使用Panda從數(shù)據(jù)庫(kù)讀取股票數(shù)據(jù)141
7.2.2 示例3：使用Pandas寫入股票數(shù)據(jù)到數(shù)據(jù)庫(kù)143
7.3 使用Pandas讀寫Excel文件144
7.3.1 示例4：使用Pandas從Excel文件讀取股票數(shù)據(jù)144
7.3.2 示例5：使用Pandas寫入股票數(shù)據(jù)到Excel文件145
7.4 使用Pandas讀寫CSV文件146
7.4.1 案例6：從CSV文件讀取貨幣供應(yīng)量數(shù)據(jù)147
7.4.2 示例7：使用Pandas寫入股票數(shù)據(jù)到CSV文件148
7.5 JSON數(shù)據(jù)交換格式149
7.5.1 JSON文檔結(jié)構(gòu)149
7.5.2 JSON數(shù)據(jù)編碼150
7.5.3 JSON數(shù)據(jù)解碼153
7.5.4 案例8：解碼搜狐證券貴州茅臺(tái)股票數(shù)據(jù)154
7.6 本章總結(jié)156
第8章
金融大數(shù)據(jù)可視化基礎(chǔ)庫(kù)：Matplotlib
8.1 金融大數(shù)據(jù)可視化庫(kù)158
8.2 金融大數(shù)據(jù)可視化方法和圖表類型158
8.3 使用Matplotlib繪制圖表159
8.3.1 安裝Matplotlib159
8.3.2 圖表的基本構(gòu)成要素160
8.3.3 繪制折線圖160
8.3.4 繪制柱狀圖161
8.3.5 繪制餅狀圖162
8.3.6 繪制散點(diǎn)圖163
8.3.7 繪制子圖表164
8.3.8 案例1：繪制貴州茅臺(tái)股票歷史成交量折線圖167
8.3.9 案例2：繪制貴州茅臺(tái)股票O(jiān)HLC折線圖169
8.4 mplfinance庫(kù)170
8.4.1 K線圖170
8.4.2 繪制K線圖171
8.4.3 案例3：繪制貴州茅臺(tái)股票K線圖171
8.5 繪制移動(dòng)平均線圖172
8.5.1 案例4：繪制貴州茅臺(tái)股票5日和10日移動(dòng)平均線圖173
8.5.2 案例5：繪制K線圖 移動(dòng)平均線圖175
8.6 本章總結(jié)177
第9章
金融大數(shù)據(jù)可視化進(jìn)階庫(kù)：Seaborn
9.1 Seaborn庫(kù)概述179
9.1.1 使用Seaborn圖表的主要優(yōu)點(diǎn)179
9.1.2 安裝Seaborn庫(kù)179
9.1.3 設(shè)置Seaborn的樣式180
9.2 箱線圖181
9.3 小提琴圖182
9.4 關(guān)聯(lián)線圖183
9.5 關(guān)聯(lián)散點(diǎn)圖184
9.6 密度圖186
9.7 Dist圖187
9.8 線性回歸圖188
9.9 熱力圖189
9.10 本章總結(jié)191
第10章
金融大數(shù)據(jù)分析
10.1 ChatGPT輔助金融大數(shù)據(jù)分析193
10.2 數(shù)據(jù)的統(tǒng)計(jì)分析方法194
10.3 描述統(tǒng)計(jì)分析194
10.3.1 在Pandas中常用的描述統(tǒng)計(jì)方法195
10.3.2 案例1：使用描述統(tǒng)計(jì)方法分析貴州茅臺(tái)股票數(shù)據(jù)198
10.4 頻數(shù)分析203
10.4.1 案例2：分析信用卡交易金額的頻數(shù)分布204
10.4.2 案例3：分析貴州茅臺(tái)股票交易量頻數(shù)分布205
10.5 相關(guān)性分析206
10.5.1 案例4：股票行業(yè)相關(guān)性分析207
10.5.2 案例5：使用ChatGPT輔助分析皮爾遜相關(guān)系數(shù)208
10.6 時(shí)間序列分析209
10.6.1 案例6：采用MA分析貴州茅臺(tái)股票的價(jià)格走勢(shì)210
10.6.2 案例7：采用AR分析貴州茅臺(tái)股票的價(jià)格走勢(shì)218
10.7 本章總結(jié)223
第11章
機(jī)器學(xué)習(xí)與金融大數(shù)據(jù)預(yù)測(cè)建模
11.1 機(jī)器學(xué)習(xí)策略225
11.1.1 機(jī)器學(xué)習(xí)策略分類225
11.1.2 Python機(jī)器學(xué)習(xí)庫(kù)226
11.1.3 機(jī)器學(xué)習(xí)策略的實(shí)施過程227
11.2 案例1：使用Scikit-learn分類策略預(yù)測(cè)蘋果股票走勢(shì)228
11.3 案例2：使用Scikit-learn回歸策略預(yù)測(cè)蘋果股票走勢(shì)233
11.4 案例3：使用Keras深度學(xué)習(xí)庫(kù)預(yù)測(cè)蘋果股票走勢(shì)241
11.5 本章總結(jié)250
第12章
ChatGPT在金融大數(shù)據(jù)分析中的應(yīng)用與優(yōu)勢(shì)
12.1 ChatGPT在金融領(lǐng)域中的自動(dòng)化客戶服務(wù)與智能助理方面的應(yīng)用252
12.1.1 案例1：ChatGPT應(yīng)用于金融領(lǐng)域中的智能問答和問題解決252
12.1.2 案例2：ChatGPT應(yīng)用于金融領(lǐng)域中的個(gè)性化建議和推薦254
12.1.3 案例3：ChatGPT應(yīng)用于金融領(lǐng)域中的自動(dòng)化投資助理254
12.2 ChatGPT在金融領(lǐng)域中的情感分析和輿情監(jiān)測(cè)方面的應(yīng)用256
12.2.1 案例4：ChatGPT在金融市場(chǎng)情感分析中的應(yīng)用256
12.2.2 案例5：ChatGPT在輿情監(jiān)測(cè)中的應(yīng)用257
12.3 ChatGPT在金融領(lǐng)域中的文檔處理方面的應(yīng)用258
12.4 與ChatGPT對(duì)話的文本語言——Markdown259
12.4.1 Markdown基本語法259
12.4.2 使用Markdown工具 262
12.4.3 案例6：利用ChatGPT撰寫ABC銀行年度財(cái)務(wù)報(bào)告265
12.4.4 將Markdown格式文檔轉(zhuǎn)換為Word文檔267
12.4.5 將Markdown格式文檔轉(zhuǎn)換為PDF文檔268
12.4.6 案例7：利用ChatGPT生成ABC銀行資產(chǎn)負(fù)債表269
12.5 本章總結(jié)273
第13章
金融案例與實(shí)踐
13.1 實(shí)踐案例1：使用ARIMA模型預(yù)測(cè)USD/CNY匯率275
13.1.1 案例背景275
13.1.2 有關(guān)匯率的基本概念275
13.1.3 收集數(shù)據(jù)276
13.1.4 案例實(shí)現(xiàn)過程277
13.2 實(shí)踐案例2：基于深度學(xué)習(xí)的黃金期貨價(jià)格預(yù)測(cè)282
13.2.1 有關(guān)期貨的基本概念282
13.2.2 期貨交易中的多頭和空頭策略及其風(fēng)險(xiǎn)管理283
13.2.3 收集數(shù)據(jù)283
13.2.4 案例實(shí)現(xiàn)過程285
13.3 實(shí)踐案例3：基于深度學(xué)習(xí)的比特幣價(jià)格預(yù)測(cè)291
13.3.1 數(shù)字貨幣相關(guān)的基本概念292
13.3.2 收集數(shù)據(jù)292
13.3.3 案例實(shí)現(xiàn)過程293
13.4 本章總結(jié)302