Python金融大数据分析 第2版
| 作者 |
| 伊夫·希尔皮斯科（Yves Hilpisch） |
| 丛书名 |
| 出版社 |
| 人民邮电出版社 |
| ISBN |
| 9787115521330 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 《Python金融大数据分析 第2版》分为5部分，共21章。第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了Python的基础知识以及Python中非常有名的库NumPy和pandas工具集，还介绍了面向对象编程；第3部分介绍金融数据科学的相关基本技术和方法，包括数据可视化、输入/输出操作和数学中与金融相关的知识等；第4部分介绍Python在算法交易上的应用，重点介绍常见算法，包括机器学习、深度神经网络等人工智能相关算法；第5部分讲解基于蒙特卡洛模拟开发期权及衍生品定价的应用，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值等知识。 《Python金融大数据分析 第2版》本书适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。 |
| 目录 |
第 1部分 Python与金融 第 1章 为什么将Python用于金融 3 1.1 Python编程语言 3 1.1.1 Python简史 5 1.1.2 Python生态系统 6 1.1.3 Python用户谱系 7 1.1.4 科学栈 7 1.2 金融中的科技 8 1.2.1 科技投入 9 1.2.2 作为业务引擎的科技 9 1.2.3 作为进入门槛的科技和人才 10 1.2.4 不断提高的速度、频率和数据量 10 1.2.5 实时分析的兴起 11 1.3 用于金融的Python 12 1.3.1 金融和Python语法 12 1.3.2 Python的效率和生产率 16 1.3.3 从原型化到生产 20 1.4 数据驱动和人工智能优先的金融学 21 1.4.1 数据驱动金融学 21 1.4.2 人工智能优先金融学 24 1.5 结语 26 1.6 延伸阅读 27 第 2章 Python基础架构 29 2.1 作为包管理器使用的conda 31 2.1.1 安装Miniconda 31 2.1.2 conda基本操作 33 2.2 作为虚拟环境管理器的conda 37 2.3 使用Docker容器 41 2.3.1 Docker镜像和容器 41 2.3.2 构建Ubuntu和Python Docker镜像 42 2.4 使用云实例 46 2.4.1 RSA公钥和私钥 47 2.4.2 Jupyter Notebook配置文件 48 2.4.3 Python和Jupyter Notebook安装脚本 49 2.4.4 协调Droplet设置的脚本 51 2.5 结语 52 2.6 延伸阅读 53 第 2部分 掌握基础知识 第3章 数据类型与结构 57 3.1 基本数据类型 58 3.1.1 整数 58 3.1.2 浮点数 59 3.1.3 布尔值 61 3.1.4 字符串 65 3.1.5 题外话：打印和字符串替换 66 3.1.6 题外话：正则表达式 69 3.2 基本数据结构 71 3.2.1 元组 71 3.2.2 列表 72 3.2.3 题外话：控制结构 74 3.2.4 题外话：函数式编程 75 3.2.5 字典 76 3.2.6 集合 78 3.3 结语 79 3.4 延伸阅读 79 第4章 用NumPy进行数值计算 81 4.1 数据数组 82 4.1.1 用Python列表形成数组 82 4.1.2 Python array类 84 4.2 常规NumPy数组 86 4.2.1 基础知识 86 4.2.2 多维数组 89 4.2.3 元信息 93 4.2.4 改变组成与大小 93 4.2.5 布尔数组 97 4.2.6 速度对比 99 4.3 NumPy结构数组 100 4.4 代码向量化 102 4.4.1 基本向量化 102 4.4.2 内存布局 105 4.5 结语 107 4.6 延伸阅读 108 第5章 pandas数据分析 109 5.1 DataFrame类 110 5.1.1 使用DataFrame类的第 一步 110 5.1.2 使用DataFrame类的第二步 114 5.2 基本分析 118 5.3 基本可视化 122 5.4 Series类 124 5.5 GroupBy操作 126 5.6 复杂选择 128 5.7 联接、连接和合并 131 5.7.1 联接 132 5.7.2 连接 133 5.7.3 合并 135 5.8 性能特征 137 5.9 结语 139 5.10 延伸阅读 140 第6章 面向对象编程 141 6.1 Python对象简介 145 6.1.1 int 145 6.1.2 list 146 6.1.3 ndarray 146 6.1.4 DataFrame 148 6.2 Python类基础知识 149 6.3 Python数据模型 154 6.4 Vector类 158 6.5 结语 159 6.6 延伸阅读 159 第3部分 金融数据科学 第7章 数据可视化 163 7.1 静态2D绘图 164 7.1.1 一维数据集 164 7.1.2 二维数据集 170 7.1.3 其他绘图样式 177 7.2 静态3D绘图 184 7.3 交互式2D绘图 188 7.3.1 基本图表 188 7.3.2 金融图表 192 7.4 结语 196 7.5 延伸阅读 196 第8章 金融时间序列 197 8.1 金融数据 198 8.1.1 数据导入 198 8.1.2 汇总统计 201 8.1.3 随时间推移的变化 203 8.1.4 重新采样 207 8.2 滚动统计 209 8.2.1 概述 209 8.2.2 技术分析示例 211 8.3 相关分析 213 8.3.1 数据 213 8.3.2 对数回报率 214 8.3.3 OLS回归 216 8.3.4 相关 217 8.4 高频数据 218 8.5 结语 220 8.6 延伸阅读 220 第9章 输入/输出操作 221 9.1 Python基本I/O 222 9.1.1 将对象写入磁盘 222 9.1.2 读取和写入文本文件 225 9.1.3 使用SQL数据库 229 9.1.4 读写NumPy数组 232 9.2 pandas的I/O 234 9.2.1 使用SQL数据库 235 9.2.2 从SQL到pandas 237 9.2.3 使用CSV文件 239 9.2.4 使用Excel文件 240 9.3 PyTables的I/O 242 9.3.1 使用表 242 9.3.2 使用压缩表 250 9.3.3 使用数组 252 9.3.4 内存外计算 253 9.4 TsTables的I/O 256 9.4.1 样板数据 257 9.4.2 数据存储 258 9.4.3 数据检索 259 9.5 结语 261 9.6 延伸阅读 262 第 10章 高性能的Python 265 10.1 循环 266 10.1.1 Python 266 10.1.2 NumPy 267 10.1.3 Numba 268 10.1.4 Cython 269 10.2 算法 271 10.2.1 质数 271 10.2.2 斐波那契数 275 10.2.3 π 279 10.3 二叉树 283 10.3.1 Python 283 10.3.2 NumPy 285 10.3.3 Numba 286 10.3.4 Cython 287 10.4 蒙特卡洛模拟 288 10.4.1 Python 289 10.4.2 NumPy 291 10.4.3 Numba 291 10.4.4 Cython 292 10.4.5 多进程 293 10.5 pandas递归算法 294 10.5.1 Python 294 10.5.2 Numba 296 10.5.3 Cython 296 10.6 结语 297 10.7 延伸阅读 298 第 11章 数学工具 299 11.1 逼近法 299 11.1.1 回归 301 11.1.2 插值 310 11.2 凸优化 314 11.2.1 全局优化 315 11.2.2 局部优化 317 11.2.3 有约束优化 318 11.3 积分 320 11.3.1 数值积分 321 11.3.2 通过模拟求取积分 322 11.4 符号计算 323 11.4.1 基础知识 323 11.4.2 方程式 325 11.4.3 积分与微分 325 11.4.4 微分 326 11.5 结语 328 11.6 延伸阅读 328 第 12章 推断统计学 331 12.1 随机数 332 12.2 模拟 338 12.2.1 随机变量 338 12.2.2 随机过程 341 12.2.3 方差缩减 356 12.3 估值 359 12.3.1 欧式期权 359 12.3.2 美式期权 364 12.4 风险测度 367 12.4.1 风险价值 367 12.4.2 信用价值调整 371 12.5 Python脚本 374 12.6 结语 377 12.7 延伸阅读 377 第 13章 统计学 379 13.1 正态性检验 380 13.1.1 基准案例 381 13.1.2 真实数据 390 13.2 投资组合优化 396 13.2.1 数据 396 13.2.2 基本理论 398 13.2.3 最优投资组合 401 13.2.4 有效边界 404 13.2.5 资本市场线 405 13.3 贝叶斯统计 408 13.3.1 贝叶斯公式 409 13.3.2 贝叶斯回归 410 13.3.3 两种金融工具 414 13.3.4 随时更新估算值 418 13.4 机器学习 423 13.4.1 无监督学习 423 13.4.2 有监督学习 426 13.5 结语 441 13.6 延伸阅读 441 第4部分 算法交易 第 14章 FXCM交易平台 445 14.1 入门 446 14.2 读取数据 447 14.2.1 读取分笔交易数据 447 14.2.2 读取K线（蜡烛图）数据 449 14.3 使用API 451 14.3.1 读取历史数据 452 14.3.2 读取流数据 454 14.3.3 下单 455 14.3.4 账户信息 457 14.4 结语 457 14.5 延伸阅读 458 第 15章 交易策略 459 15.1 简单移动平均数 460 15.1.1 数据导入 460 15.1.2 交易策略 461 15.1.3 向量化事后检验 463 15.1.4 优化 465 15.2 随机游走假设 467 15.3 线性OLS回归 469 15.3.1 数据 470 15.3.2 回归 472 15.4 聚类 474 15.5 频率方法 476 15.6 分类 479 15.6.1 两个二元特征 479 15.6.2 5个二元特征 480 15.6.3 5个数字化特征 482 15.6.4 顺序训练-测试分离 484 15.6.5 随机训练-测试分离 485 15.7 深度神经网络 486 15.7.1 用scikit-learn实现DNN 486 15.7.2 用TensorFlow实现DNN 489 15.8 结语 492 15.9 延伸阅读 493 第 16章 自动化交易 495 16.1 资本管理 496 16.1.1 二项设定中的凯利标准 496 16.1.2 用于股票及指数的凯利标准 500 16.2 基于ML的交易策略 505 16.2.1 向量化事后检验 505 16.2.2 最优杠杆 510 16.2.3 风险分析 512 16.2.4 持久化模型对象 515 16.3 在线算法 516 16.4 基础设施与部署 518 16.5 日志与监控 519 16.6 结语 521 16.7 Python脚本 522 16.7.1 自动化交易策略 522 16.7.2 策略监控 525 16.8 延伸阅读 525 第5部分 衍生品分析 第 17章 估值框架 529 17.1 资产定价基本定理 529 17.1.1 简单示例 530 17.1.2 一般结果 530 17.2 风险中立折现 532 17.2.1 日期建模与处理 532 17.2.2 恒定短期利率 534 17.3 市场环境 536 17.4 结语 539 17.5 延伸阅读 540 第 18章 金融模型的模拟 541 18.1 随机数生成 542 18.2 通用模拟类 544 18.3 几何布朗运动 548 18.3.1 模拟类 548 18.3.2 用例 550 18.4 跳跃扩散 553 18.4.1 模拟类 553 18.4.2 用例 556 18.5 平方根扩散 557 18.5.1 模拟类 558 18.5.2 用例 560 18.6 结语 561 18.7 延伸阅读 563 第 19章 衍生品估值 565 19.1 通用估值类 566 19.2 欧式行权 570 19.2.1 估值类 570 19.2.2 用例 572 19.3 美式行权 577 19.3.1 最小二乘蒙特卡洛方法 577 19.3.2 估值类 578 19.3.3 用例 580 19.4 结语 583 19.5 延伸阅读 585 第 20章 投资组合估值 587 20.1 衍生品头寸 588 20.1.1 类 588 20.1.2 用例 590 20.2 衍生品投资组合 592 20.2.1 类 592 20.2.2 用例 597 20.3 结语 604 20.4 延伸阅读 605 第 21章 基于市场的估值 607 21.1 期权数据 608 21.2 模型检验 610 21.2.1 相关市场数据 611 21.2.2 期权建模 612 21.2.3 检验过程 615 21.3 投资组合估值 620 21.3.1 建立期权头寸模型 621 21.3.2 期权投资组合 622 21.4 Python代码 623 21.5 结语 625 21.6 延伸阅读 626 附录A 日期与时间 627 A.1 Python 627 A.2 NumPy 633 A.3 pandas 636 附录B BSM期权类 641 B.1 类定义 641 B.2 类的使用 643 |
有问题微信扫码联系