人工智能在量化交易中的應(yīng)用與實戰(zhàn)

第1章　人工智能快速入門 / 1
1.1　初識人工智能 / 2
1.1.1　什么是人工智能 / 2
1.1.2　為什么要學(xué)習(xí)人工智能 / 2
1.2　智能概述 / 4
1.2.1　智能類型 / 4
1.2.2　智能的組成 / 6
1.3　人工智能的研究與應(yīng)用領(lǐng)域 / 8
1.3.1　專家系統(tǒng) / 8
1.3.2　自然語言理解 / 9
1.3.3　機器學(xué)習(xí) / 9
1.3.4　機器定理證明 / 10
1.3.5　自動程序設(shè)計 / 11
1.3.6　分布式人工智能 / 12
1.3.7　機器人學(xué) / 13
1.3.8　模式識別 / 14
1.3.9　人機博弈 / 14
1.3.10　計算機視覺 / 15
1.3.11　軟計算 / 15
1.3.12　智能控制 / 16
1.3.13　智能規(guī)劃 / 17
1.4　人工智能的開發(fā)語言 / 18
1.4.1　為什么使用Python來開發(fā)人工智能 / 18
1.4.2　Python的下載和安裝 / 18
1.4.3　Python程序的編寫 / 21
1.4.4　利用量化交易平臺編寫Python程序 / 24
1.5　人工智能的發(fā)展歷史 / 27
1.5.1　計算機時代 / 27
1.5.2　大量程序 / 28
1.5.3　強弱人工智能 / 29
 
第2章　Python 編程基礎(chǔ) / 31
2.1　Python的基本數(shù)據(jù)類型 / 32
2.1.1　數(shù)值類型 / 32
2.1.2　字符串 / 34
2.2　變量與賦值 / 37
2.2.1　變量命名規(guī)則 / 37
2.2.2　變量的賦值 / 38
2.3　Python的基本運算 / 39
2.3.1　算術(shù)運算 / 39
2.3.2　賦值運算 / 41
2.3.3　位運算 / 42
2.4　Python的選擇結(jié)構(gòu) / 43
2.4.1　關(guān)系運算 / 43
2.4.2　邏輯運算 / 45
2.4.3　if 語句 / 46
2.4.4　嵌套 if 語句 / 48
2.5　Python的循環(huán)結(jié)構(gòu) / 49
2.5.1　while循環(huán) / 50
2.5.2　while 循環(huán)使用else語句 / 51
2.5.3　無限循環(huán) / 51
2.5.4　for循環(huán) / 52
2.5.5　在for循環(huán)中使用range()函數(shù) / 53
2.5.6　break語句 / 54
2.5.7　continue語句 / 55
2.5.8　pass語句 / 56
2.6　Python的特征數(shù)據(jù)類型 / 57
2.6.1　列表 / 57
2.6.2　元組 / 61
2.6.3　字典 / 63
2.6.4　集合 / 64
2.7　Python的函數(shù) / 67
2.7.1　函數(shù)的定義與調(diào)用 / 67
2.7.2　參數(shù)傳遞 / 69
2.7.3　匿名函數(shù) / 71
2.7.4　變量作用域 / 72
2.8　Python的面向?qū)ο?/ 73
2.8.1　面向?qū)ο蟾拍?/ 73
2.8.2　類與實例 / 74
2.8.3　模塊的引用 / 77
2.9　Python的代碼格式 / 78
2.9.1　代碼縮進(jìn) / 78
2.9.2　代碼注釋 / 79
2.9.3　空行 / 79
2.9.4　同一行顯示多條語句 / 79
 
第3章　人工智能的Numpy 包 / 81
3.1　初識Numpy包 / 82
3.2　ndarray數(shù)組基礎(chǔ) / 82
3.2.1　創(chuàng)建Numpy數(shù)組 / 83
3.2.2　Numpy特殊數(shù)組 / 86
3.2.3　Numpy序列數(shù)組 / 90
3.2.4　Numpy數(shù)組索引 / 91
3.2.5　Numpy數(shù)組運算 / 92
3.2.6　Numpy數(shù)組復(fù)制 / 93
3.3　Numpy的矩陣 / 94
3.4　Numpy的線性代數(shù) / 96
3.4.1　兩個數(shù)組的點積 / 96
3.4.2　兩個向量的點積 / 97
3.4.3　一維數(shù)組的向量內(nèi)積 / 97
3.4.4　矩陣的行列式 / 98
3.4.5　矩陣的逆 / 100
3.5　Numpy的文件操作 / 101
 
第4章　人工智能的Pandas 包 / 105
4.1　Pandas的數(shù)據(jù)結(jié)構(gòu) / 106
4.2　一維數(shù)組系列（Series） / 106
4.2.1　創(chuàng)建一個空的系列（Series） / 106
4.2.2　從ndarray創(chuàng)建一個系列（Series） / 107
4.2.3　從字典創(chuàng)建一個系列（Series） / 109
4.2.4　從有位置的系列（Series）中訪問數(shù)據(jù) / 109
4.2.5　使用標(biāo)簽檢索數(shù)據(jù) / 110
4.3　二維數(shù)組DataFrame / 111
4.3.1　創(chuàng)建DataFrame / 111
4.3.2　數(shù)據(jù)的查看 / 112
4.3.3　數(shù)據(jù)的選擇 / 116
4.3.4　數(shù)據(jù)的處理 / 122
4.4　三維數(shù)組Panel / 124
 
第5章　人工智能的Matplotlib 包 / 127
5.1　Matplotlib包的優(yōu)點 / 128
5.2　figure()函數(shù)的應(yīng)用 / 128
5.2.1　figure()函數(shù)的各參數(shù)意義 / 128
5.2.2　figure()函數(shù)的實例 / 129
5.3　plot()函數(shù)的應(yīng)用 / 131
5.3.1　plot()函數(shù)的各參數(shù)意義 / 131
5.3.2　plot()函數(shù)的實例 / 132
5.4　subplot()函數(shù)的應(yīng)用 / 133
5.4.1　subplot()的各參數(shù)意義 / 134
5.4.2　subplot()的實例 / 134
5.5　add_axes方法的應(yīng)用 / 135
5.6　legend()函數(shù)的應(yīng)用 / 137
5.7　設(shè)置字體格式 / 139
5.8　設(shè)置線條的寬度和顏色 / 140
5.9　坐標(biāo)軸網(wǎng)格 / 142
5.10　繪制柱狀圖 / 143
5.11　繪制色圖和等高線圖 / 144
5.12　繪制立體三維圖形 / 146
 
第6章　決策樹和隨機森林 / 151
6.1　決策樹 / 152
6.1.1　什么是決策樹 / 152
6.1.2　決策樹的組成 / 153
6.1.3　決策樹的優(yōu)點 / 153
6.1.4　決策樹的缺點 / 154
6.1.5　決策樹的構(gòu)造 / 154
6.1.6　純度判斷方法 / 155
6.1.7　決策樹的剪枝 / 162
6.1.8　利用Python代碼實現(xiàn)決策樹 / 163
6.2　隨機森林 / 167
6.2.1　隨機森林的構(gòu)建 / 167
6.2.2　隨機森林的優(yōu)缺點 / 168
6.2.3　隨機森林的應(yīng)用范圍 / 168
6.2.4　利用Python代碼實現(xiàn)隨機森林 / 169
 
第7章　支持向量機（SVM）和樸素貝葉斯 / 173
7.1　支持向量機（SVM） / 174
7.1.1　什么是支持向量機（SVM） / 174
7.1.2　支持向量機（SVM）的工作原理 / 174
7.1.3　核函數(shù) / 175
7.1.4　支持向量機(SVM)的優(yōu)點 / 177
7.1.5　支持向量機(SVM)的缺點 / 177
7.1.6　利用Python代碼實現(xiàn)支持向量機(SVM) / 177
7.2　樸素貝葉斯 / 182
7.2.1　什么是樸素貝葉斯 / 182
7.2.2　樸素貝葉斯的算法思想 / 182
7.2.3　樸素貝葉斯的算法步驟 / 183
7.2.4　樸素貝葉斯的優(yōu)缺點 / 184
7.2.5　利用Python代碼實現(xiàn)高斯樸素貝葉斯 / 184
7.2.6　利用Python代碼實現(xiàn)多項式分布樸素貝葉斯 / 187
7.2.7　利用Python代碼實現(xiàn)伯努力樸素貝葉斯 / 188
 
第8章　人工智能的神經(jīng)網(wǎng)絡(luò) / 191
8.1　初識人工神經(jīng)網(wǎng)絡(luò) / 192
8.1.1　什么是人工神經(jīng)網(wǎng)絡(luò) / 192
8.1.2　大腦中的神經(jīng)元細(xì)胞和神經(jīng)元細(xì)胞網(wǎng)絡(luò) / 192
8.1.3　人工神經(jīng)網(wǎng)絡(luò)的基本特征 / 193
8.1.4　人工神經(jīng)網(wǎng)絡(luò)的特點 / 195
8.2　人工神經(jīng)網(wǎng)絡(luò)的算法 / 195
8.3　神經(jīng)網(wǎng)絡(luò)庫Pybrain / 197
8.3.1　神經(jīng)網(wǎng)絡(luò)的創(chuàng)建 / 197
8.3.2　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集定義 / 201
8.3.3　訓(xùn)練神經(jīng)網(wǎng)絡(luò) / 202
8.3.4　循環(huán)神經(jīng)網(wǎng)絡(luò) / 204
8.4　人工神經(jīng)網(wǎng)絡(luò)實例 / 205
 
第9章　Python 量化交易策略的編寫 / 209
9.1　Python量化交易策略的組成 / 210
9.1.1　初始化函數(shù)（initialize） / 211
9.1.2　開盤前運行函數(shù)（before_market_open） / 212
9.1.3　開盤時運行函數(shù)（market_open） / 213
9.1.4　收盤后運行函數(shù)（after_market_close） / 214
9.2　Python量化交易策略的設(shè)置函數(shù) / 214
9.2.1　設(shè)置基準(zhǔn)函數(shù) / 215
9.2.2　設(shè)置傭金/印花稅函數(shù) / 215
9.2.3　設(shè)置滑點函數(shù) / 217
9.2.4　設(shè)置動態(tài)復(fù)權(quán)（真實價格）模式函數(shù) / 217
9.2.5　設(shè)置成交量比例函數(shù) / 218
9.2.6　設(shè)置是否開啟盤口撮合模式函數(shù) / 218
9.2.7　設(shè)置要操作的股票池函數(shù) / 218
9.3　Python量化交易策略的定時函數(shù) / 219
9.3.1　定時函數(shù)的定義及分類 / 219
9.3.2　定時函數(shù)各項參數(shù)的意義 / 219
9.3.3　定時函數(shù)的注意事項 / 220
9.3.4　定時函數(shù)的實例 / 221
9.4　Python量化交易策略的下單函數(shù) / 222
9.4.1　按股數(shù)下單函數(shù) / 222
9.4.2　目標(biāo)股數(shù)下單函數(shù) / 223
9.4.3　按價值下單函數(shù) / 223
9.4.4　目標(biāo)價值下單函數(shù) / 224
9.4.5　撤單函數(shù) / 224
9.4.6　獲取未完成訂單函數(shù) / 225
9.4.7　獲取訂單信息函數(shù) / 225
9.4.8　獲取成交信息函數(shù) / 226
9.5　Python量化交易策略的日志log / 226
9.5.1　設(shè)定log級別 / 226
9.5.2　log.info / 227
9.6　Python量化交易策略的常用對象 / 227
9.6.1　Order對象 / 227
9.6.2　全局對象g / 228
9.6.3　Trade對象 / 229
9.6.4　tick對象 / 229
9.6.5　Context對象 / 230
9.6.6　Position對象 / 231
9.6.7　SubPortfolio對象 / 232
9.6.8　Portfolio對象 / 233
9.6.9　SecurityUnitData對象 / 233
 
第10章　Python 量化交易策略的獲取數(shù)據(jù)函數(shù) / 235
10.1　獲取股票數(shù)據(jù)的history()函數(shù) / 236
10.1.1　各項參數(shù)的意義 / 236
10.1.2　history()函數(shù)的應(yīng)用實例 / 238
10.2　獲取一只股票數(shù)據(jù)的attribute_history ()函數(shù) / 241
10.3　查詢一個交易日股票財務(wù)數(shù)據(jù)的get_fundamentals ()函數(shù) / 242
10.3.1　各項參數(shù)的意義 / 242
10.3.2　get_fundamentals ()函數(shù)的應(yīng)用實例 / 243
10.4　查詢股票財務(wù)數(shù)據(jù)的get_fundamentals_continuously ()函數(shù) / 249
10.5　獲取股票特別數(shù)據(jù)的get_current_data ()函數(shù) / 250
10.6　獲取指數(shù)成分股代碼的get_index_stocks ()函數(shù) / 251
10.6.1　各項參數(shù)的意義 / 251
10.6.2　get_index_stocks ()函數(shù)的應(yīng)用實例 / 252
10.7　獲取行業(yè)成分股代碼的get_industry_stocks()函數(shù) / 253
10.8　獲取概念成本股代碼的get_concept_stocks ()函數(shù) / 255
10.9　獲取所有數(shù)據(jù)信息的get_all_securities()函數(shù) / 256
10.9.1　各項參數(shù)的意義 / 256
10.9.2　get_all_securities()函數(shù)的應(yīng)用實例 / 257
10.10　獲取一只股票信息的get_security_info ()函數(shù) / 259
10.11　獲取龍虎榜數(shù)據(jù)的get_billboard_list ()函數(shù) / 260
10.11.1　各項參數(shù)的意義 / 260
10.11.2　get_billboard_list()函數(shù)的應(yīng)用實例 / 261
10.12　獲取限售解禁數(shù)據(jù)的get_locked_shares ()函數(shù) / 262
 
第11章　Python 基本面量化選股 / 265
11.1　初識量化選股 / 266
11.2　成長類因子選股 / 266
11.2.1　營業(yè)收入同比增長率選股 / 266
11.2.2　營業(yè)收入環(huán)比增長率選股 / 268
11.2.3　凈利潤同比增長率選股 / 269
11.2.4　凈利潤環(huán)比增長率選股 / 270
11.2.5　營業(yè)利潤率選股 / 271
11.2.6　銷售凈利率選股 / 272
11.2.7　銷售毛利率選股 / 273
11.3　規(guī)模類因子選股 / 274
11.3.1　總市值選股 / 274
11.3.2　流通市