深入淺出Python量化交易實戰(zhàn)

VII
目 錄
第1章　小瓦的故事—從零開始
1.1 何以解憂，“小富”也行 1
1.1.1 那些年，那些交易 2
1.1.2 自動化交易和高頻交易 2
1.1.3 因子投資悄然興起 3
1.2 機器學(xué)習(xí)崛起 4
1.2.1 量化投資風(fēng)生水起 4
1.2.2 沒有數(shù)據(jù)是不行的 5
1.2.3 交易策略和阿爾法因子 5
1.3 要想富，先配庫 6
1.3.1 Anaconda的下載和安裝 6
1.3.2 Jupyter Notebook的基本使用方法 8
1.3.3 用真實股票數(shù)據(jù)練練手 11
1.4 小結(jié) 15
第2章 小瓦的策略靠譜嗎—回測與經(jīng)典策略
2.1 對小瓦的策略進行簡單回測 16
2.1.1 下載數(shù)據(jù)并創(chuàng)建交易信號 16
2.1.2 對交易策略進行簡單回測 18
2.1.3 關(guān)于回測，你還需要知道的 20
2.2 經(jīng)典策略之移動平均策略 21
2.2.1 單一移動平均指標 21
2.2.2 雙移動平均策略的實現(xiàn) 23
2.2.3 對雙移動平均策略進行回測 26
2.3 經(jīng)典策略之海龜策略 28
2.3.1 使用海龜策略生成交易信號 28
2.3.2 根據(jù)交易信號和倉位進行下單 29
2.3.3 對海龜策略進行回測 31
2.4 小結(jié) 34
第3章 AI來了—機器學(xué)習(xí)在交易中的簡單應(yīng)用
3.1 機器學(xué)習(xí)的基本概念 35
3.1.1 有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) 35
 
深入淺出Python量化交易實戰(zhàn)
VIII
3.1.2 分類和回歸37
3.1.3 模型性能的評估37
3.2 機器學(xué)習(xí)工具的基本使用方法 37
3.2.1 KNN算法的基本原理 38
3.2.2 KNN算法用于分類 38
3.2.3 KNN算法用于回歸 43
3.3 基于機器學(xué)習(xí)的簡單交易策略 47
3.3.1 獲取股票數(shù)據(jù)47
3.3.2 創(chuàng)建交易條件49
3.3.3 使用分類算法制定交易策略 50
3.4 小結(jié) 54
第4章 多來點數(shù)據(jù)—借助量化交易平臺
4.1 數(shù)據(jù)不夠，平臺來湊 55
4.1.1 選擇量化交易平臺 56
4.1.2 量化交易平臺的研究環(huán)境 57
4.1.3 在研究環(huán)境中運行代碼 58
4.2 借助財務(wù)數(shù)據(jù)篩選股票 59
4.2.1 獲取股票的概況60
4.2.2 獲取股票的財務(wù)數(shù)據(jù) 62
4.2.3 通過財務(wù)指標進行選股 64
4.3 誰是幕后“大佬” 65
4.3.1 找到的股東66
4.3.2 大股東們增持了還是減持了 67
4.3.3 資金凈流入還是凈流出 69
4.4 小結(jié) 71
第5章 因子來了—基本原理和用法
5.1 “瓦氏因子”了解一下 72
5.1.1 獲取主力資金流向數(shù)據(jù) 73
5.1.2 簡易特征工程74
5.1.3 “瓦氏因子”的計算 75
5.1.4 用添加“瓦氏因子”的數(shù)據(jù)訓(xùn)練模型 76
5.1.5 “因子”都能干啥 77
5.2 股票不知道怎么選？因子來幫忙 78
5.2.1 確定股票池78
5.2.2 獲取滬深兩市的全部指數(shù) 79
5.2.3 獲取股票的市值因子 80
5.2.4 獲取股票的現(xiàn)金流因子 81
5.2.5 獲取股票的凈利率因子 82
5.2.6 獲取股票的凈利潤增長率因子 83
5.3 把諸多因子“打個包” 84
5.3.1 將4個因子存入一個DataFrame 84
5.3.2 使用PCA提取主成分 85
5.3.3 找到主成分數(shù)值的股票 86
5.4 小結(jié) 87
 
目錄
IX
第6章 因子好用嗎—有些事需要你知道
6.1 針對投資組合獲取因子值 88
6.1.1 建立投資組合并設(shè)定日期 88
6.1.2 獲取一個情緒因子 90
6.1.3 獲取全部的因子分析結(jié)果 91
6.2 因子收益分析 92
6.2.1 因子各分位統(tǒng)計92
6.2.2 因子加權(quán)多空組合累計收益 94
6.2.3 做多分位做空小分位收益 96
6.2.4 分位數(shù)累計收益對比 97
6.3 因子IC分析 98
6.3.1 因子IC分析概況 99
6.3.2 因子IC時間序列圖 99
6.3.3 因子IC正態(tài)分布Q-Q圖和月度均值 101
6.4　 因子換手率、因子自相關(guān)性和因子預(yù) 
測能力分析 102
6.4.1 因子換手率分析103
6.4.2 因子自相關(guān)性分析 104
6.4.3 因子預(yù)測能力分析 106
6.5 小結(jié) 107
第7章 當因子遇上線性模型
7.1 什么是線性模型 108
7.1.1 準備用于演示的數(shù)據(jù) 108
7.1.2 來試試簡單的線性回歸 110
7.1.3 使用正則化的線性模型 113
7.2 用線性模型搞搞交易策略 115
7.2.1 準備因子115
7.2.2 訓(xùn)練模型117
7.2.3 基于模型的預(yù)測進行選股 118
7.3 能不能賺到錢 119
7.3.1 平臺的策略回測功能 120
7.3.2 把研究成果寫成策略 121
7.3.3 回測124
7.4 小結(jié) 126
第8章 因子遇到?jīng)Q策樹與隨機森林
8.1 什么是決策樹和隨機森林 127
8.1.1 線性模型不適用的數(shù)據(jù)樣本 127
8.1.2 決策樹的用法和原理 129
8.1.3 隨機森林的用法和原理 130
8.2 哪些因子重要，決策樹能告訴你 132
 8.2.1 多來點因子132
8.2.2 設(shè)定目標并訓(xùn)練模型 135
8.2.3 哪些因子重要137
8.3 用重要因子和隨機森林來制訂 
策略 138
 
深入淺出Python量化交易實戰(zhàn)
8.3.1 回測函數(shù)的初始化 138
8.3.2 盤前的準備工作139
8.3.3 策略中的機器學(xué)習(xí)部分 141
8.3.4 定義買入股票和賣出股票的列表 142
8.3.5 定義買入操作和賣出操作 144
8.3.6 對策略進行回測145
8.4 小結(jié) 146
第9章 因子遇到支持向量機
9.1 什么是支持向量機 147
9.1.1 支持向量機的基本原理 147
9.1.2 線性內(nèi)核有時“很著急” 149
9.1.3 RBF內(nèi)核“閃亮登場” 150
9.2 動態(tài)因子選擇策略 152
9.2.1 設(shè)置回測環(huán)境152
9.2.2 開盤前準備153
9.2.3 機器學(xué)習(xí)的部分155
9.2.4 買入和賣出的操作 157
9.3 策略的回測詳情 158
9.3.1 策略收益概述159
9.3.2 策略交易詳情159
9.3.3 持倉和收益詳情161
9.4 使用策略進行模擬交易 162
9.4.1 模擬交易163
9.4.2 查看模擬交易詳情 164
9.4.3 模擬交易的持倉與下單 165
9.5 小結(jié) 166
第10章 初識自然語言處理技術(shù)
10.1我們的想法是否靠譜 167
10.1.1 思考幾個問題 167
10.1.2 參考一下“大佬”們的做法 168
10.1.3 說了那么多，什么是NLP 169
10.2 獲取文本數(shù)據(jù)并簡單清洗 170
10.2.1 獲取新聞聯(lián)播文本數(shù)據(jù) 170
10.2.2 對文本數(shù)據(jù)進行簡單清洗 172
10.3 中文分詞，“結(jié)巴”來幫忙 173
10.3.1 使用“結(jié)巴”進行分詞 174
10.3.2 使用“結(jié)巴”進行列表分詞 174
10.3.3 建立停用詞表 175
10.3.4 去掉文本中的停用詞 176
10.3.5 使用“結(jié)巴”提取關(guān)鍵詞 178
10.4 小結(jié) 180
第11章 新聞文本向量化和話題建模
11.1 讓機器“讀懂”新聞 181
11.1.1 準備文本數(shù)據(jù) 181
 
目錄
11.1.2 使用CountVectorizer將文本轉(zhuǎn)化為 
向量 183
11.1.3 使用TfidfVectorizer將文本轉(zhuǎn)化為 
向量 185
11.2 讓機器告訴我們新聞?wù)f了啥 186
11.2.1 什么是話題建模 186
11.2.2 什么是LDA模型 187
11.3 話題建模實戰(zhàn) 188
11.3.1 加載數(shù)據(jù)并進行分詞 188
11.3.2 將分詞結(jié)果合并保存 190
11.3.3 使用LDA進行話題建模 191
11.3.4 對模型進行改進 192
11.4 小結(jié) 194
第12章 股評數(shù)據(jù)情感分析
12.1 機器懂我們的情感嗎 195
12.1.1 了解分好類的語料 196
12.1.2 將文件上傳到量化交易平臺 197
12.2 用語料制作數(shù)據(jù)集 198
12.2.1 將正面情緒語料存儲為列表 198
12.2.2 將負面情緒語料存儲為列表 200
12.2.3 給數(shù)據(jù)“打上標簽” 201
12.2.4 合并正負面情緒語料 202
12.3 隆重推出“樸素貝葉斯” 203
12.3.1 “樸素貝葉斯”又是什么 204
12.3.2 為貝葉斯模型準備數(shù)據(jù) 205
12.3.3 開始訓(xùn)練貝葉斯模型并評估其性能 206
12.4 小結(jié) 208
第13章 咱也“潮”一把—深度學(xué)習(xí)來了
13.1 開始研究前的準備 209
13.1.1 翻翻工具箱，看看有什么 210
13.1.2 為神經(jīng)網(wǎng)絡(luò)準備數(shù)據(jù) 211
13.2 使用Keras對文本進行預(yù)處理 213
13.2.1 使用Tokenizer提取特征 213
13.2.2 將文本轉(zhuǎn)化為序列 214
13.2.3 填充序列與轉(zhuǎn)化矩陣 216
13.3 使用Keras構(gòu)建簡單神經(jīng)網(wǎng)絡(luò) 217
13.3.1 先動手“擼”一個多層感知機 217
13.3.2 念叨一下多層感知機的原理 218
13.3.3 再來說說激活函數(shù) 220
13.3.4 Dropout層又是干嗎的 221
13.3.5 訓(xùn)練一下，看看效果如何 222
13.4 小結(jié) 224
 
深入淺出Python量化交易實戰(zhàn)
第14章 再進一步—CNN和LSTM
14.1 先動手“擼”一個卷積神經(jīng) 
網(wǎng)絡(luò) 225
14.1.1 準備好庫和數(shù)據(jù)集 225
14.1.2 處理數(shù)據(jù)與搭建模型 227
14.2 卷積神經(jīng)網(wǎng)絡(luò)模型詳解 229
14.2.1 嵌入層是干啥用的 230
14.2.2 卷積層是干啥用的 231
14.2.3 池化層是干啥用的 233
14.2.4 訓(xùn)練模型看看效果 234
14.3 長短期記憶網(wǎng)絡(luò) 236
14.3.1 搭建一個簡單的長短期記憶網(wǎng)絡(luò) 236
14.3.2 關(guān)于長短期記憶網(wǎng)絡(luò) 237
14.3.3 訓(xùn)練模型及評估 238
14.3.4 保存模型并在回測中調(diào)用 240
14.4 小結(jié) 241
第15章 寫在后—小瓦的征程
15.1 可以一夜暴富了嗎 242
15.1.1 使用第三方量化平臺是個好主 
意嗎 243
15.1.2 機器學(xué)習(xí)到底有沒有用 243
15.1.3 要“吊死”在A股“這棵樹” 
上嗎 244
15.2 將來要做什么 245
15.2.1 學(xué)習(xí)一些數(shù)據(jù)庫知識 245
15.2.2 多看看不同的投資標的 247
15.2.3 打開國際化的視野 249
15.3 小結(jié) 252