|
关于我们
 书单推荐 新书推荐 |
零起点TensorFlow与量化交易 
定 价：99 元 丛书名：金融科技丛书
9 7 3 8 3 7 5 1 8 2 4 1 6 
本书是国内较早关于TensorFlow大数据与量化交易的原创图书，配合zwPython开发平台和zwQuant开源量化软件学习，是一套完整的大数据分析、量化交易的学习教材，可直接用于实盘交易。本书有三大特色：*，以实盘个案分析为主，全程配有Python代码；第二，包含大量的图文案例和Python源码，无须专业编程基础，懂Excel即可开始学习；第三，配有专业的zwPython集成开发平台、zwQuant量化软件和zwDat数据包。
本书采用独创的黑箱模式、MBA案例教学机制，结合大量的经典案例，介绍TensorFlow系统和常用的深度学习算法、神经网络模型，以及它们在量化分析当中的具体应用。
《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。*重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。
推 荐 序
AlphaGo与柯洁的黑白大战，因为对阵的一方是中国顶级围棋高手柯洁，所以引起国人的高度关注。利用百度搜索引擎输入AlphaGo，一度可以得出7000多万条搜索结果，这远远高于其他热门词条。 事实上，AlphaGo只是Google拥有的两套人工智能系统中的一套。它是Google 2014年收购的DeepMind的人工智能系统，专注于棋赛开发。Google的另外一套人工智能系统就是本书介绍的TensorFlow系统。 在TensorFlow等人工智能系统出现之前，计算机所做的事情往往是简单重复的。计算机会按照人类编好的既定程序，简单重复、按部就班地运行，没有超越人类事先为其设定的思维边界。 计算机与人类的大脑相比，根本的区别在于不具备学习和创新能力。 计算机顶多也就是记忆的信息多，重复计算的速度快，不受情绪的影响等。但是，在TensorFlow等人工智能系统出现之后，计算机所做的事情除简单重复运行之外，更重要的是其具备了一定的自我学习和创新能力。 TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习，自我提高，总结过去的经验，汲取以往的教训，具备一定的创新性。这一点在AlphaGo与柯洁对垒的3场棋局的结果中不难看出。 这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在，也是TensorFlow被称为互联网以来唯一的黑科技项目的原因。 具备了一定的自我学习和创造能力的人工智能系统的出现，将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历，将从一个侧面分享人工智能对金融领域的影响。 从整个金融业的历史沿革来看，这大致经历了4个阶段：纯人工阶段、单机电脑阶段、互联网（含移动互联网）阶段和人工智能阶段。 随着每个阶段的渐次演进，提供金融服务一方的人力成本投入在逐渐减少，提供金融服务的效率在提高；对于接受金融服务的一方来说，金融服务的可获得性，以及便捷程度在逐渐增加，金融服务越来越围绕着人进行，以人为中心的全方位的社会经济服务体系正在形成。 在金融服务体系中，银行服务、证券服务、保险服务等的内部界限开始变得模糊，金融服务与其他非金融的社会经济服务之间的界限开始变得不清。 特别是金融业进入人工智能阶段之后，人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据，进行实时分析和动态跟踪，以远低于人工成本的成本，为每个人建立一个基于生命周期的综合金融模型，对每个人未来的金融行为进行预测，自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作，并将模型预测结果与实际情况相比对，自主学习和修正模型，以便更加贴合接受金融服务一方的真实金融意图，使得人工智能模型的预测建议和人的实际金融行为无限接近。 由此人类将从日常繁杂的各种金融交易中解放出来，投身到更需要自己或自己更感兴趣的方面。 展望未来，人工智能的应用前景无限美好；探寻当下，人工智能在世界各地的各行各业方兴未艾。 千里之行，始于足下。何海群先生的《零起点TensorFlow与量化交易》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。 祝愿人工智能在华夏大地生根发芽，开花结果。 梁 忠 梁忠：中国人民大学财政金融系博士，曾任里昂证券CLSA分析员；瑞银证券UBSS董事，财富管理中国研究部主管；瑞士信贷（香港）有限公司中国研究部董事；瑞信方正证券执行董事，研究部主管，具有20年国际顶级金融机构从业经历。 前 言 感谢梁忠先生在百忙之中为本书撰写序言。以TensorFlow为代表的神经网络，被视为自互联网以来唯一的黑科技，无远弗届，无分行业领域，对社会各界从上至下带来彻底的颠覆与革命。 梁忠先生作为非IT领域的学者、专家，从第三方角度，冷静地观察这场数字革命，同时向更多的大众介绍这场革命的火花，推动行业变革，功莫大焉。 随着类似于Titanic数据集案例、梵高画风等一系列，基于TensorFlow等神经网络、深度学习项目的不断涌现，未来的各个学科都会结合人工智能（AI），进行新的学术重组。 Python量化三部曲 Python量化三部曲包括： ? 《零起点Python大数据与量化交易》（入门课程） ? 《零起点机器学习与量化交易》（重点分析SKLearn） ? 《零起点TensorFlow与量化交易》（重点分析TensorFlow） 此外，还有几部补充作品： ? 《零起点Python足彩大数据与机器学习实盘分析》 ? 《零起点Python机器学习快速入门》 ? 《零起点TensorFlow快速入门》 ? 《MXNet神经网络与量化交易》 ? 《Plotly可视化数据分析》 本书是《零起点TensorFlow快速入门》的后续之作，原本是TopQuant.vip极宽量化培训课程高级班的教学课件，为了节省篇幅，删除了Python基础教程，以及SKLearn、TensorFlow等机器学习方面的入门内容。没有经验的读者，建议先阅读《零起点Python机器学习快速入门》《零起点TensorFlow快速入门》，再开始本书的学习，这样会收到事半功倍的效果。 本书是目前较好的TensorFlow神经网络与量化分析入门教程： ? 无需任何理论基础，全程采用MBA案例模式，懂Excel就可看懂本书。 ? 独创的逆向式课件模式，结合TensorBoard可视化系统，案例、图表优先，层层剖析。 ? 系统介绍TensorFlow在金融量化领域的具体应用，提供多组配套案例。 ? 全套神经网络股票趋势预测、股票价格预测案例源码。 ? TDS金融数据集的创建与使用。 ? 三位一体的课件模式：图书 开发平台 成套的教学案例，系统讲解，逐步深入。 本书采用独创的黑箱模式、MBA案例教学机制，结合大量的经典案例，介绍TensorFlow系统和常用的深度学习算法、神经网络模型，以及它们在量化分析当中的具体应用。 进一步学习 读者如有兴趣可以进一步学习Python量化三部曲的内容，以及《零起点Python足彩大数据与机器学习实盘分析》。 机器学习、人工智能、金融量化，它们的基本原理是相通的，本质上都是数据分析。对于Python量化三部曲的读者而言，本书也有很大的价值，特别是对于第一部入门课程的读者。 Python量化回溯与TensorFlow、PyTorch、MXNet等神经网络深度学习平台，都是近年来兴起的科技前沿领域，有关的理论、平台、工具目前还处于摸索阶段。Python量化三部曲图书和TopQuant.vip极宽智能量化系统，只是在这些领域的起步阶段，作为入门教程，抛砖引玉。 本书中的案例、程序以教学为主，进行了很多简化，以便大家能够快速理解相关内容，用最短的时间，了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络在这些领域的应用操作技巧。 神经网络、深度学习在量化实盘当中的应用，是目前全世界都在研究的顶尖课题，当前尚未有很好的模型与应用案例。 本书仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。 最重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。 网络资源 为避免版本冲突，建议本书的读者下载zwPython 2018m1版本的软件和最新版本的《零起点TensorFlow与量化交易》配套课件程序，作为配套学习课件。配套程序的下载地址是http://www.broadview.com.cn/33584。 使用其他Python运行环境如Linux、Mac平台的读者，请尽量使用Python 3.5和TensorFlow 1.1版本，并自行安装所需的其他模块库。 此外，需要注意的是，读者在运行书中案例时得到的结果，可能与本书略有差别，甚至多次运行同一个案例的结果也会有所差异，这属于正常情况。因为TensorFlow等深度学习系统，内部都使用了随机数作为种子数，用于系统变量初始化等操作，每次分析的起点或者中间参数都有所不同。 本书的案例程序已经做过优化处理，不需要GPU显卡，全部支持单CPU平台。不过，为了提高运行效率，笔者建议尽量使用NVIDA公司最新一代的GPU显卡。 目前是大数据、人工智能 时代，在这样的时代，计算力=生产力。 与本书相关的网络资源如下。 ? 网站：http://www.TopQuant.vip http://www.ziwang.com。 ? 网盘地址：http://pan.baidu.com/s/1jIg944u。 ? 极宽量化QQ群：总群，124134140；QQ 2群，650924099；QQ 3群，450853713。 ? 技术Blog：http://blog.sina.com.cn/zbrow。 ? 字王Git项目总览：https://github.com/ziwang-com/，包括：字王4k云字库、zwPython、zwpy_lst。 与本书相关的程序和数据下载，请浏览网站：TopQuant.vip极宽量化社区，在网站的下载中心有最新的程序和数据下载地址。 本书在TopQuant.vip极宽量化网站设有专栏，若对本书、人工智能和机器学习有任何建议，请在网站专栏或QQ群留言，我们会在第一时间进行反馈和答复。 TopQuant极宽量化网站资源中心的网址： http://www.topquant.vip/?p=56 http://ziwang.com/ 致谢 本书的出版要特别感谢电子工业出版社的黄爱萍和葛娜编辑，感谢她们在选题策划和稿件整理方面做出
何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，出版书籍20余部，在人工智能、数据分析等方面具有20年一线专业经验；zwPython开发平台、zwQuant量化软件设计师，中国Python创客项目和Python产业联盟发起人，国内首个Python量化课程：《Python量化实盘·魔鬼训练营》创始人，极宽量化开源团队的创始人。
目 录
第1章 TensorFlow概述1 1.1 TensorFlow要点概括2 1.2 TensorFlow简化接口2 1.3 Keras简介3 1.4 运行环境模块的安装4 1.4.1 CUDA运行环境的安装4 案例1-1：重点模块版本测试5 案例1-2：GPU开发环境测试8 1.4.2 GPU平台运行结果9 第2章 无数据不量化（上）12 2.1 金融数据源13 2.1.1 TopDat金融数据集14 2.1.2 量化分析与试错成本15 2.2 OHLC金融数据格式16 案例2-1：金融数据格式17 2.3 K线图18 案例2-2：绘制金融数据K线图19 2.4 Tick数据格式22 案例2-3：Tick数据格式23 2.4.1 Tick数据与分时数据转换25 案例2-4：分时数据25 2.4.2 resample函数26 2.4.3 分时数据26 2.5 离线金融数据集29 案例2-5：TopDat金融数据集的日线数据29 案例2-6：TopDat金融数据集的Tick数据31 2.6 TopDown金融数据下载33 案例2-7：更新单一A股日线数据34 案例2-8：批量更新A股日线数据37 2.6.1 Tick数据与分时数据40 案例2-9：更新单一A股分时数据40 案例2-10：批量更新分时数据43 2.6.2 Tick数据与实时数据45 案例2-11：更新单一实时数据45 案例2-12：更新全部实时数据48 第3章 无数据不量化（下）51 3.1 均值优先51 案例3-1：均值计算与价格曲线图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：均线因子55 3.3 25日神定律59 案例3-3：时间因子61 案例3-4：分时时间因子63 3.4 TA-Lib金融指标66 3.5 TQ智能量化回溯系统70 3.6 全内存计算70 案例3-5：增强版指数索引71 案例3-6：AI版索引数据库73 3.7 股票池77 案例3-7：股票池的使用77 3.8 TQ_bar全局变量类81 案例3-8：TQ_bar初始化82 案例3-9：TQ版本日线数据85 3.9 大盘指数87 案例3-10：指数日线数据88 案例3-11：TQ版本指数K线图89 案例3-12：个股和指数曲线对照图92 3.10 TDS金融数据集96 案例3-13：TDS衍生数据98 案例3-14：TDS金融数据集的制作102 案例3-15：TDS金融数据集2.0105 案例3-16：读取TDS金融数据集108 第4章 人工智能与趋势预测112 4.1 TFLearn简化接口112 4.2 人工智能与统计关联度分析113 4.3 关联分析函数corr113 4.3.1 Pearson相关系数114 4.3.2 Spearman相关系数114 4.3.3 Kendall相关系数115 4.4 open（开盘价）关联性分析115 案例4-1：open关联性分析115 4.5 数值预测与趋势预测118 4.5.1 数值预测119 4.5.2 趋势预测120 案例4-2：ROC计算120 案例4-3：ROC与交易数据分类123 4.6 n 1大盘指数预测128 4.6.1 线性回归模型128 案例4-4：上证指数n 1的开盘价预测129 案例4-5：预测数据评估133 4.6.2 效果评估函数136 4.6.3 常用的评测指标138 4.7 n 1大盘指数趋势预测139 案例4-6：涨跌趋势归一化分类140 案例4-7：经典版涨跌趋势归一化分类143 4.8 One-Hot145 案例4-8：One-Hot格式146 4.9 DNN模型149 案例4-9：DNN趋势预测150 第5章 单层神经网络预测股价156 5.1 Keras简化接口156 5.2 单层神经网络158 案例5-1：单层神经网络模型158 5.3 神经网络常用模块168 案例5-2：可视化神经网络模型170 案例5-3：模型读写174 案例5-4：参数调优入门177 第6章 MLP与股价预测182 6.1 MLP182 案例6-1：MLP价格预测模型183 6.2 神经网络模型应用四大环节189 案例6-2：MLP模型评估190 案例6-3：优化MLP价格预测模型194 案例6-4：优化版MLP模型评估197 第7章 RNN与趋势预测200 7.1 RNN200 7.2 IRNN与趋势预测201 案例7-1：RNN趋势预测模型201 案例7-2：RNN模型评估209 案例7-3：RNN趋势预测模型2211 案例7-4：RNN模型2评估214 第8章 LSTM与量化分析217 8.1 LSTM模型217 8.1.1 数值预测218 案例8-1：LSTM价格预测模型219 案例8-2：LSTM价格预测模型评估226 8.1.2 趋势预测230 案例8-3：LSTM股价趋势预测模型231 案例8-4：LSTM趋势模型评估239 8.2 LSTM量化回溯分析242 8.2.1 构建模型243 案例8-5：构建模型243 8.2.2 数据整理251 案例8-6：数据整理251 8.2.3 回溯分析262 案例8-7：回溯分析262 8.2.4 专业回报分析268 案例8-8：量化交易回报分析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 数据整理280 8.3.2 量化回溯284 8.3.3 回报分析285 8.3.4 专业回报分析288 第9章 日线数据回溯分析293 9.1 数据整理293 案例9-1：数据更新294 案例9-2：数据整理296 9.2 回溯分析307 9.2.1 回溯主函数307 9.2.2 交易信号308 9.3 交易接口函数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数据回溯分析318 10.1 ffn金融模块库318 案例10-1：ffn功能演示318 案例10-2：量化交易回报分析330 案例10-3：完整的量化分析程序343 10.2 Tick分时数据量化分析357 案例10-4：Tick分时量化分析程序357 总结371 附录A TensorFlow 1.1函数接口变化372 附录B 神经网络常用算法模型377 附录C 机器学习常用算法模型414
你还可能感兴趣
我要评论
|
