Python金融大数据分析 第2版

Python已成为数据驱动AI、金融优先选择的编程语言。现在，一些大型的投资银行和对冲资金均使用Python及其生态系统来构建核心交易与风险管理系统。在本书中，作者向开发人员和量化分析人员介绍了使用Python程序库与工具，完成金融数据科学、算法交易和计算金融任务的方法。 Python与金融：Python交互式金融分析与程序开发入门。 基本知识：学习Python数据类型与结构、NumPy、pandas及其DataFrame类、面向对象编程。 金融数据科学：探索用于金融时间序列数据、I/O操作、推断统计学和机器学习的Python技术与程序库。 算法交易：使用Python来验证和部署自动算法交易策略。 衍生品分析：开发灵活、强大的Python期权、衍生品定价和风险管理程序库。

《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。

Yves Hilpisch博士是Python Quants集团的创始人和管理合伙人。该集团致力于应用开源技术来解决金融数据科学、人工智能、算法交易和计算金融学等问题。他还是AI Machine公司的创始人和CEO。这个公司的主营业务是通过专属策略执行平台来发挥人工智能的威力。他还是Python算法交易大学认证的在线培训项目的主管。

第1部分Python与金融
第1章为什么将Python用于金融3
1.1Python编程语言3
1.1.1Python简史5
1.1.2Python生态系统6
1.1.3Python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Python12
1.3.1金融和Python语法12
1.3.2Python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conda31
2.1.1安装Miniconda31
2.1.2conda基本操作33
2.2作为虚拟环境管理器的conda37
2.3使用Docker容器41
2.3.1Docker镜像和容器41
2.3.2构建Ubuntu和PythonDocker镜像42
2.4使用云实例46
2.4.1RSA公钥和私钥47
2.4.2JupyterNotebook配置文件48
2.4.3Python和JupyterNotebook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
4.1.2Pythonarray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
4.3NumPy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
5.1DataFrame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
5.4Series类124
5.5GroupBy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
6.1Python对象简介145
6.1.1int145
6.1.2list146
6.1.3ndarray146
6.1.4DataFrame148
6.2Python类基础知识149
6.3Python数据模型154
6.4Vector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
8.3.3OLS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
9.1Python基本I/O222
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
9.2pandas的I/O234
9.2.1使用SQL数据库235
9.2.2从SQL到pandas237
9.2.3使用CSV文件239
9.2.4使用Excel文件240
9.3PyTables的I/O242
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
9.4TsTables的I/O256
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Python265
10.1循环266
10.1.1Python266
10.1.2NumPy267
10.1.3Numba268
10.1.4Cython269
10.2算法271
10.2.1质数271
10.2.2斐波那契数275
10.2.3π279
10.3二叉树283
10.3.1Python283
10.3.2NumPy285
10.3.3Numba286
10.3.4Cython287
10.4蒙特卡洛模拟288
10.4.1Python289
10.4.2NumPy291
10.4.3Numba291
10.4.4Cython292
10.4.5多进程293
10.5pandas递归算法294
10.5.1Python294
10.5.2Numba296
10.5.3Cython296
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
12.5Python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API451
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
15.6.25个二元特征480
15.6.35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DNN486
15.7.2用TensorFlow实现DNN489
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
16.7Python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
21.4Python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.1Python627
A.2NumPy633
A.3pandas636
附录BBSM期权类641
B.1类定义641
B.2类的使用643