正版 Python金融大数据分析 [德]伊夫·希尔皮斯科(Yves Hilpisch

目录

第　1部分 Python与金融

第　1章 为什么将Python用于金融　3

1.1　Python编程语言　3

1.1.1　Python简史　5

1.1.2　Python生态系统　6

1.1.3　Python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Python　12

1.3.1　金融和Python语法　12

1.3.2　Python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conda　31

2.1.1　安装Miniconda　31

2.1.2　conda基本操作　33

2.2　作为虚拟环境管理器的conda　37

2.3　使用Docker容器　41

2.3.1　Docker镜像和容器　41

2.3.2　构建Ubuntu和Python Docker镜像　42

2.4　使用云实例　46

2.4.1　RSA公钥和私钥　47

2.4.2　Jupyter Notebook配置文件　48

2.4.3　Python和Jupyter Notebook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

4.1.2　Python array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

4.3　NumPy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

5.1　DataFrame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

5.4　Series类　124

5.5　GroupBy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

6.1　Python对象简介　145

6.1.1　int　145

6.1.2　list　146

6.1.3　ndarray　146

6.1.4　DataFrame　148

6.2　Python类基础知识　149

6.3　Python数据模型　154

6.4　Vector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

8.3.3　OLS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

9.1　Python基本I/O　222

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

9.2　pandas的I/O　234

9.2.1　使用SQL数据库　235

9.2.2　从SQL到pandas　237

9.2.3　使用CSV文件　239

9.2.4　使用Excel文件　240

9.3　PyTables的I/O　242

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

9.4　TsTables的I/O　256

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Python　265

10.1　循环　266

10.1.1　Python　266

10.1.2　NumPy　267

10.1.3　Numba　268

10.1.4　Cython　269

10.2　算法　271

10.2.1　质数　271

10.2.2　斐波那契数　275

10.2.3　π　279

10.3　二叉树　283

10.3.1　Python　283

10.3.2　NumPy　285

10.3.3　Numba　286

10.3.4　Cython　287

10.4　蒙特卡洛模拟　288

10.4.1　Python　289

10.4.2　NumPy　291

10.4.3　Numba　291

10.4.4　Cython　292

10.4.5　多进程　293

10.5　pandas递归算法　294

10.5.1　Python　294

10.5.2　Numba　296

10.5.3　Cython　296

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

12.5　Python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　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API　451

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

15.6.2　5个二元特征　480

15.6.3　5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DNN　486

15.7.2　用TensorFlow实现DNN　489

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　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

16.7　Python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　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

21.4　Python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.1　Python　627

A.2　NumPy　633

A.3　pandas　636

附录B　BSM期权类　641

B.1　类定义　641

B.2　类的使用　643

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。

《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。

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。