Python量化金融与人工智能

"《Python量化金融与人工智能》是“2019年广东省高等教育教学研究和改革项目(大数据时代经济与金融计量分析课程教学改革)”“2020年广东财经大学投资学教学团队建设项目”“2020年投资学专业广东省一流本科专业建设项目”“2021年投资学专业重量一流本科专业建设项目”等阶段性成果。 通过《Python量化金融与人工智能》，读者不仅能掌握使用Python及相关的库来解决实际经济与金融计量分析问题，而且能学会从实际经济与金融问题分析入手，利用Python进行经济与金融计量分析。 "

《Python量化金融与人工智能》内容包括：量化金融投资基础及Python下载、安装与启动，Python编程基础，Python金融数据存取，Python工具库NumPy数组与矩阵计算，Python工具库SciPy优化与统计分析，Python工具库Pandas数据对象及数据分析，Python描述统计，Python参数估计及其应用，Python参数假设检验，Python相关分析与回归分析，Python多重共线性处理，Python异方差处理，Python自相关处理，Python金融时间序列分析的日期处理，Python金融时间序列的自相关性与平稳性，Python金融时间序列分析的ARIMA模型，Python金融时间序列分析的ARCH与GARCH模型，Python资产组合的收益率与风险，Python-optimize工具优化资产组合均值方差模型，Python在有无风险资产的均值方差模型中的应用，Python在资本资产定价模型中的应用，贝塔对冲策略，量化选股策略分析，量化择时策略分析，量化选股与量化择时组合策略分析，金融大数据量化投资统计套利的协整配对交易策略，基于Python环境的配对交易策略，人工智能机器学习量化金融策略等。 《Python量化金融与人工智能》内容新颖、全面，实用性强，融理论、方法、应用于一体，是一部供金融学、金融工程、投资学、保险学、经济学、财政学、统计学、应用统计、数量经济学、管理科学与工程、计算机应用技术、应用数学、计算数学、概率统计、财务管理、会计学、工商管理等专业的本科高年级学生与研究生使用的参考书。

"朱顺泉，广东财经大学金融学院教授，长期从事本科生与研究生的投资学、金融工程、公司金融、金融市场、金融计量学、经济博弈论、数据模型与决策等课程的教学和科研工作，一直致力于财经与科技相结合的交叉应用研究。在人民、科学、清华、北大等出版社出版著作四十余部，。主持完成国家社会科学项目基金、教育部社会科学项目基金等项目共十余项。主要研究方向：投资学、金融工程、金融市场、公司金融财务等。 "

第1篇 量化金融投资基础与Python技术 第1章 量化金融投资基础及Python 下载、安装与启动 3 1.1 量化金融投资基础 3 1.1.1 量化金融投资的概念 3 1.1.2 量化金融投资的优势 4 1.1.3 量化金融投资的历史和未来 4 1.1.4 量化金融投资的应用与流程 5 1.2 Python工具概述 7 1.3 Python工具的下载 9 1.4 Python的安装 10 1.5 Python的启动和退出 11 练习题 12 第2章 Python编程基础 13 2.1 Python的两个基本操作 13 2.2 Python数据结构 13 2.3 Python函数 17 2.4 Python条件与循环 18 2.5 Python类与对象 19 练习题 20 第3章 Python金融数据存取 21 3.1 Python-NumPy数据存取 21 3.2 Python-Scipy数据存取 22 3.3 Python-pandas的csv格式数据 文件存取 22 3.4 Python-pandas的Excel格式数据 文件存取 23 3.5 读取并查看数据表列 23 3.6 读取挖地兔财经网站的数据 24 3.7 挖地兔Tushare财经网站数据的 保存 25 3.8 使用Opendatatools工具获取数据 27 3.9 Python-quandl财经数据接口 28 3.10 下载Yahoo财经网站数据 29 3.11 存取Yahoo财经网站数据 29 练习题 31 第4章 Python工具库NumPy数组与 矩阵计算 32 4.1 NumPy概述 32 4.2 NumPy数组对象 32 4.3 创建数组 33 4.4 数组操作 34 4.5 数组元素访问 37 4.6 矩阵操作 38 4.7 缺失值处理 40 练习题 40 第5章 Python工具库SciPy优化与 统计分析 41 5.1 SciPy概述 41 5.2 scipy.optimize优化方法分析 41 5.3 利用CVXOPT求解二次规划问题 42 5.4 scipy.stats的统计方法分析 46 练习题 49 第6章 Python工具库Pandas数据 对象及数据分析 50 6.1 Pandas基础知识 50 6.1.1 数据对象 50 6.1.2 增删查改 51 6.1.3 Pandas常用函数 57 6.1.4 绘图 59 6.1.5 数据读写 59 6.2 Pandas基本金融数据分析 60 6.3 Pandas横向合并金融数据分析 63 6.4 Pandas纵向分类汇总金融数据分析 65 练习题 71 第2篇 Python统计分析 第7章 Python描述统计 75 7.1 描述性统计的Python工具 75 7.2 数据集中趋势的度量 76 7.3 数据离散状况的度量 79 7.4 峰度、偏度与正态性检验 81 7.5 异常数据处理 86 练习题 91 第8章 Python参数估计及其应用 92 8.1 参数估计与置信区间的含义 92 8.2 Python点估计 92 8.3 Python单正态总体均值区间估计 93 8.4 Python单正态总体方差区间估计 95 8.5 Python双正态总体均值差区间 估计 96 8.6 Python双正态总体方差比区间 估计 98 练习题 99      第9章 Python参数假设检验 100 9.1 参数假设检验的基本理论 100 9.1.1 p-value决策 100 9.1.2 假设检验 102 9.2 Python单样本t检验 107 9.3 Python两个独立样本t检验 108 9.4 Python配对样本t检验 109 9.5 Python单样本方差假设检验 110 9.6 Python双样本方差假设检验 111 练习题 113 第10章 Python相关分析与 回归分析 114 10.1 Python相关分析 114 10.2 Python一元线性回归分析的 statsmodels应用 118 10.3 Python多元线性回归分析 121 练习题 125 第3篇 Python基本计量经济分析 第11章 Python多重共线性处理 129 11.1 多重共线性的概念 129 11.2 多重共线性的后果 130 11.3 产生多重共线性的原因 130 11.4 多重共线性的识别和检验 131 11.5 消除多重共线性的方法 132 11.6 Python多重共线性诊断 135 11.7 Python多重共线性消除 137 练习题 138 第12章 Python异方差处理 140 12.1 异方差的概念 140 12.2 异方差产生的原因 141 12.3 异方差的后果 142 12.4 异方差的识别检验 143 12.4.1 图示法 143 12.4.2 统计检验方法 143 12.5 消除异方差的方法 145 12.6 Python异方差诊断 147 12.7 Python异方差消除 148 练习题 149 第13章 Python自相关处理 151 13.1 自相关的概念 151 13.2 产生自相关的原因 151 13.3 自相关的后果 152 13.4 自相关的识别和检验 153 13.5 自相关的处理方法 155 13.6 Python自相关性诊断与消除 157 练习题 159 第4篇 Python金融时间序列分析 第14章 Python金融时间序列分析的 日期处理 163 14.1 引言 163 14.2 生成日期序列 168 14.3 低频数据向高频数据转换 170 练习题 174 第15章 Python金融时间序列的 自相关性与平稳性 175 15.1 引言 175 15.2 自相关性 175 15.3 平稳性 178 15.4 白噪声和随机游走 179 15.5 Python模拟白噪声和平稳性 检验 180 15.6 沪深300近三年来数据的平稳性 检验分析 183 练习题 187      第16章 Python金融时间序列分析的 ARIMA模型 188 16.1 引言 188 16.2 AR模型 188 16.3 MA模型 191 16.4 ARMA模型 194 16.5 ARIMA模型 197 16.6 结语 199 练习题 199 第17章 Python金融时间序列分析的 ARCH与GARCH模型 200 17.1 引言 200 17.2 股票收益率时间序列特点 200 17.3 ARCH模型 202 17.4 GARCH模型 206 17.5 结语 210 练习题 210 第5篇 Python金融投资理论 第18章 Python资产组合的 收益率与风险 213 18.1 持有期收益率 213 18.2 单项资产的期望收益率 214 18.3 单项资产的风险 214 18.4 单项资产的期望收益和风险的 估计 215 18.5 单项资产之间的协方差与 相关系数 216 18.6 Python计算资产组合的期望 收益和风险 218 练习题 221 第19章 Python-optimize工具优化 资产组合均值方差模型 222 19.1 资产组合的可行集 222 19.1.1 资产组合可行集的一部分 222 19.1.2 资产组合可行集的模拟 223 19.2 有效边界与有效组合 225 19.3 Python应用于标准均值方差模型 227 19.3.1 标准均值方差模型 227 19.3.2 全局最小方差 230 19.3.3 有效资产组合 230 19.4 两基金分离定理 231 19.5 Python应用于Markowitz投资 组合优化 232 19.5.1 股票的选择 232 19.5.2 Markowitz投资组合优化 基本理论 233 19.5.3 投资组合优化的Python 应用 234 练习题 239 第20章 Python在有无风险资产的 均值方差模型中的应用 240 20.1 Python在存在无风险资产的均值 方差模型中应用 240 20.2 无风险资产对最小方差组合的 影响 242 20.3 Python应用于存在无风险资产的 两基金分离定理 243 20.4 预期收益率与贝塔关系式 244 20.5 Python应用于一个无风险资产和 两个风险资产的组合 245      练习题 248 第21章 Python在资本资产定价 模型中的应用 249 21.1 资本资产定价模型假设 249 21.2 Python应用于资本市场线 249 21.3 Python应用于证券市场线 252 21.4 Python应用于资本资产定价 模型CAPM实际数据 254 练习题 256 第6篇 Python量化金融投资策略 第22章 贝塔对冲策略 261 22.1 贝塔对冲模型 261 22.2 风险对冲策略 261 练习题 265 第23章 量化选股策略分析 266 23.1 小市值的量化选股策略 266 23.2 基本面财务指标的量化选股策略 268 练习题 271 第24章 量化择时策略分析 272 24.1 Talib技术分析工具库在量化 择时中的应用 272 24.2 海龟量化择时策略 276 24.3 金叉死叉双均线量化择时策略 277 24.4 应用Python分析量化择时策略 280 24.4.1 获取金融数据 280 24.4.2 量化择时收益计算策略 281 24.4.3 量化择时双均线策略 282 练习题 285 第25章 量化选股与量化择时组合 策略分析 286 25.1 量化纯选股策略 286 25.2 量化选股与量化择时组合策略 288 练习题 290 第26章 金融大数据量化投资统计 套利的协整配对交易策略 291 26.1 协整基本知识 291 26.2 平稳性检验及其实例 293 26.3 基于Bigquant平台统计套利的 协整配对交易策略 295 练习题 301 第27章 基于Python环境的配对 交易策略 302 27.1 策略介绍 302 27.2 策略相关方法 302 27.3 策略的步骤 303 27.4 策略的演示 304 练习题 311 第28章 人工智能机器学习量化金融 策略 312 28.1 机器学习算法分类 312 28.2 常见的机器学习算法及其Python 代码 312 28.2.1 线性回归 312 28.2.2 逻辑回归 313 28.2.3 决策树 314 28.2.4 支持向量机分类 315 28.2.5 朴素贝叶斯分类 316 28.2.6 KNN分类(K-最近邻算法) 317 28.2.7 K-均值算法 318 28.2.8 随机森林算法 319 28.2.9 降维算法 319 28.2.10 Gradient Boosting和 AdaBoost 算法 320 28.3 广义线性模型Logistic回归多分类 及其Python应用 320 28.3.1 算法原理 320 28.3.2 对象类参数介绍 322 28.3.3 逻辑回归分类算法实例 323 28.4 人工智能机器学习算法的支持 向量机及其应用 324 28.4.1 支持向量机的定义 324 28.4.2 优选化间隔 324 28.4.3 软间隔 328 28.4.4 核技巧 330 28.4.5 支持向量机的 Python应用实例 336 练习题 337