利用机器学习开发算法交易系统

  

本书介绍了机器学习必要的统计与概率方面的数学理论，以及适用机器学习的领域相关的领域知识，同时收录了实现代码。利用机器学习编写程序时，机器学习算法所占的比重并不大，重要的是理解数据并掌握特性。在此过程中，如果具备统计与概率相关的数学知识和机器学习应用领域的专业知识，则能大大节约时间，并简化问题。经过这些过程的机器学习才能获得良好的应用效果。

  

部分
章机器学习1
1.1机器习定义1
1.2机器学习的优缺点3
1.2.1机器学习的优点3
1.2.2机器学习的缺点4
1.3机器学习的种类4
1.3.1监督学习5
1.3.2无监督学习6
1.4机器学习能做的事情7
1.4.1回归8
1.4.2分类10
1.4.3聚类12
1.5机器学习算法13
1.5.1回归14
1.5.2分类15
1.5.3聚类15
1.6机器学习的过程16
1.6.1次预处理16
1.6.2训练数据集17
1.6.3第二次预处理17
1.6.4机器学习算法学习17
1.6.5参数优化17
1.6.6后期处理17
1.6.7最终模型18
1.7“没有免费的午餐”定理18
第二部分
第2章统计21
2.1统计的定义21
2.2统计在机器学习中的重要性22
2.3统计的基本概念和术语23
2.3.1总体和样本23
2.3.2参数和统计量24
2.3.3抽样误差25
2.3.4因变量和自变量26
2.3.5连续变量和离散变量26
2.3.6模型27
2.4准备事项28
2.5数据下载29
2.6数据加载31
2.7基础统计31
2.7.1标准差32
2.7.2四分位数36
2.7.3直方图37
2.7.4正态分布40
2.7.5散点图41
2.7.6箱形图44
第3章时间序列数据49
3.1时间序列数据50
3.2时间序列数据分析51
3.3时间序列数据的主要特征52
3.4随机过程54
3.5平稳时间序列数据55
3.6随机过程中的期望值、方差和协方差57
3.7相关59
3.8自协方差61
3.9自相关62
3.10随机游走66
第二部分
第4章算法交易69
4.1算法交易简介69
4.2算法交易历史上的那些人72
4.2.1爱德华·索普72
4.2.2詹姆斯·哈里斯·西蒙斯74
4.2.3肯尼斯·格里芬76
4.3算法交易模型77
4.4均值回归模型79
4.4.1均值回归检验80
4.4.2实现均值回归模型86
4.5机器学习模型89
4.5.1特征选择90
4.5.2是价格还是方向91
4.6分类模型92
4.6.1逻辑斯蒂回归92
4.6.2决策树和随机森林94
4.6.3支持向量机96
4.7实现机器学习模型97
4.7.1数据集98
4.7.2拆分数据集100
4.7.3生成股价走势预测变量101
4.7.4股价走势预测变量的运行和评价102
4.8时间衰减效应106
第5章实现算法交易系统109
5.1普通算法交易系统的构成109
5.2实现系统的概要111
5.3开发环境113
5.4数据爬虫实现113
5.4.1收集股票代码114
5.4.2收集股价数据118
5.5实现α模型121
5.5.1均值回归模型122
5.5.2机器学习模型124
5.6投资组合生成器125
5.6.1均值回归模型的股票选择126
5.6.2机器学习模型的股票选择130
5.7实现Trader类136
第6章性能评价与优化137
6.1算法交易系统的性能测试138
6.1.1评价系统的获利能力138
6.1.2比较各实现模型138
6.1.3对系统的信心139
6.2回溯检验140
6.2.1Profit/Loss检验140
6.2.2Hit Batio141
6.2.3Drawdown143
6.2.4Sharpe Ratio145
6.3机器学习性能测试147
6.3.1混淆矩阵148
6.3.2ClassificationReport150
6.3.3ROC152
6.4实时交易监控158
6.5参数优化159
6.6超参数优化160
6.6.1网格搜索161
6.6.2随机搜索164
6.7“黑天鹅”167
后记170