現貨 零起點Python大數據與量化交易 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• Python
• 大數據
• 量化交易
• 零基礎
• 編程入門
• 金融
• 數據分析
• 投資
• 實戰
• 現貨

店鋪： 福州文豪圖書專營店

齣版社： 電子工業齣版社

ISBN：9787121306594

商品編碼：11193038889

包裝：平裝

叢書名： 零起點Python大數據與量化交易預售

開本：16

齣版時間：2017-02-01

正文語種：中文

內容簡介

本書是國內較早關於Python大數據與量化交易的原創圖書，配閤zwPython開發平颱和zwQuant開源量化軟件學習，是一套完整的大數據分析、量化交易的學習教材，可直接用於實盤交易。本書有三大特色：*，以實盤個案分析為主，全程配有Python代碼；第二，包含大量的圖文案例和Python源碼，無須專業編程基礎，懂Excel即可開始學習；第三，配有專業的zwPython集成開發平颱、zwQuant量化軟件和zwDat數據包。

本書內容源自筆者的原版教學課件，雖然限於篇幅和載體，省略瞭視頻和部分環節，但核心內容都有保留，配套的近百套Python教學程序沒有進行任何刪減。考慮到廣大入門讀者的需求，筆者在各個核心函數環節增添瞭函數流程圖。

 

前    言

 

2014年，美國銀行、美林證券的“石英”項目、摩根大通的“雅典娜”項目都不約而同地選擇瞭Python作為金融行業的標準編程語言。

全世界的金融工程行業全部重新洗牌，這為中國的金融工程從業人員帶來瞭前所未有的機遇。資本的力量是強大的，也是冷酷無情的。

2016年5月，《華爾街日報》報道，目前華爾街的三大編程語言是：C、Java與Python。其中，C與Java成為三大語言之一有兩方麵原因：一方麵是由於曆史積纍，另一方麵是係統架構設計的需要。而在應用領域Python更勝一籌，因為Python已經成為金融行業量化領域的標準編程語言。

本書是國內較早關於Python大數據與量化交易的原創圖書。本書配閤zwPython、zwQuant開源量化軟件學習，是一套完整的大數據分析、量化交易的學習教材，可直接用於實盤交易。

本書內容包括：

—近50萬字的圖文課件；

—數十套結閤課件的Python教學代碼；

—全套zwPython開源平颱；

—業內首套麵嚮初學者的開源量化係統zwQuant；

—國內較大的開源金融數據包zwDat，包括tick數據。

100%零基礎，無須任何編程、交易經驗，也不需要具備超強的數據分析能力，隻要會使用Excel就可以輕鬆學會本書講解的知識點。讀完本書內容和配套的教學代碼，就能夠編寫簡單的量化策略函數。

本書的內容源自筆者的原版教學課件，雖然限於篇幅和載體，省略瞭視頻和部分環節，但核心內容都有保留，配套的近百套Python教學程序沒有進行任何刪減。

考慮到廣大入門讀者的需求，筆者在各個核心函數環節增添瞭函數流程圖。

 

目    錄

第1章  從故事開始學量化.... 1

1.1  億萬富翁的“神奇公式”.... 2

1.1.1  案例1-1：億萬富翁的“神奇公式”... 2

1.1.2  案例分析：Python圖錶... 5

1.1.3  matplotlib繪圖模塊庫... 7

1.1.4  案例分析：style繪圖風格... 10

1.1.5  案例分析：colormap顔色錶... 12

1.1.6  案例分析：顔色錶關鍵詞... 14

1.1.7  深入淺齣... 17

1.2  股市“一月效應”.... 18

1.2.1  案例1-2：股市“一月效應”... 18

1.2.2  案例分析：“一月效應”計算... 19

1.2.3  案例分析：“一月效應”圖錶分析... 24

1.2.4  案例分析：顔色錶效果圖... 26

1.2.5  “一月效應”全文注解版Python源碼... 27

1.2.6  大數據·宏分析... 34

1.3  量化交易流程與概念.... 36

1.3.1  數據分析I2O流程... 36

1.3.2  量化交易不是高頻交易、自動交易... 37

1.3.3  小資、小白、韭菜... 38

1.3.4  專業與業餘... 38

1.4  用戶運行環境配置.... 42

1.4.1  程序目錄結構... 43

1.4.2  金融股票數據包... 44

1.5  Python實戰操作技巧.... 46

1.5.1  模塊檢測... 46

1.5.2  Spyder編輯器界麵設置... 47

1.5.3  代碼配色技巧... 48

1.5.4  圖像顯示配置... 50

1.5.5  Python2、Python 3雙版本雙開模式... 51

1.5.6  單版本雙開、多開模式... 52

1.5.7  實戰勝於一切... 54

1.6  量化、中醫與西醫.... 54

第2章  常用量化技術指標與框架.... 56

2.1  案例2-1：SMA均綫策略.... 56

2.1.1  案例要點與事件編程... 58

2.1.2  量化程序結構... 61

2.1.3  main程序主入口... 61

2.1.4  KISS法則... 63

2.2  Python量化係統框架.... 64

2.2.1  量化行業關鍵詞... 64

2.2.2  國外主流Python量化網站... 65

2.2.3  我國主流Python量化網站... 67

2.2.4  主流Python量化框架... 70

2.3  常用量化軟件包.... 78

2.3.1  常用量化軟件包簡介... 79

2.3.2  案例2-2：模塊庫列錶... 80

2.4  常用量化技術指標.... 82

2.4.1  TA-Lib金融軟件包... 83

2.4.2  案例2-3：MA均綫函數調用... 84

2.4.3  TA-Lib函數調用... 86

2.4.4  量化分析常用指標... 88

2.5  經典量化策略.... 90

2.5.1  阿爾法（Alpha）策略... 90

2.5.2  Beta策略... 92

2.5.3  海龜交易法則... 93

2.5.4  ETF套利策略... 95

2.6  常用量化策略.... 95

2.6.1  動量交易策略... 96

2.6.2  均值迴歸策略... 97

2.6.3  其他常用量化策略... 98

2.7  起點與終點.... 100

第3章  金融數據采集整理.... 101

3.1  常用數據源API與模塊庫.... 102

3.1.1  大數據綜閤API102

3.1.2  專業財經數據API103

3.1.3  專業數據模塊庫... 104

3.2  案例3-1：zwDatX數據類.... 104

3.3  美股數據源模塊庫.... 108

3.4  開源文檔庫Read the Docs. 109

3.5  案例3-2：下載美股數據.... 110

3.6  財經數據源模塊庫TuShare. 113

3.6.1  滬深股票列錶... 115

3.6.2  案例3-3：下載股票代碼數據... 116

3.6.3  CSV文件處理... 119

3.7  曆史數據.... 121

3.7.1  曆史行情... 121

3.7.2  案例3-4：下載近期股票數據... 124

3.7.3  曆史復權數據... 130

3.7.4  案例3-5：下載曆史復權數據... 131

3.8  其他交易數據.... 134

3.9  zwDat超大股票數據源與數據更新.... 143

3.9.1  案例3-6：A股基本概況數據下載... 144

3.9.2  案例3-7：A股交易數據下載... 146

3.9.3  案例3-8：A股指數行情數據下載... 150

3.9.4  案例3-9：美股交易數據下載... 151

3.10  數據歸一化處理.... 153

3.10.1  中美股票數據格式差異... 153

3.10.2  案例3-10：數據格式轉化... 154

3.10.3  案例3-11：A股策略PAT實盤分析... 156

3.10.4  案例3-12：數據歸一化... 158

3.11  為有源頭活水來.... 160

第4章  PAT案例匯編.... 162

4.1  投資組閤與迴報率.... 163

4.1.1  案例4-1：下載多組美股數據... 163

4.1.2  案例4-2：投資組閤收益計算... 165

4.2  SMA均綫策略.... 168

4.2.1  SMA簡單移動平均綫... 168

4.2.2  案例4-3：原版SMA均綫策略... 169

4.2.3  案例4-4：增強版SMA均綫策略... 173

4.2.4  案例4-5：A股版SMA均綫策略... 174

4.3  均綫交叉策略.... 175

4.3.1  案例4-6：均綫交叉策略... 176

4.3.2  案例4-7：A股版均綫交叉策略... 178

4.4  VWAP動量策略.... 181

4.4.1  案例4-8：VWAP動量策略... 182

4.4.2  案例4-9：A股版VWAP動量策略... 183

4.5  布林帶策略.... 183

4.5.1  案例4-10：布林帶策略... 185

4.5.2  案例4-11：A股版布林帶策略... 186

4.6  RSI2策略.... 188

4.6.1  案例4-12：RSI2策略... 190

4.6.2  案例4-13：A股版RSI2策略... 190

4.7  案例與傳承.... 194

第5章  zwQuant整體架構.... 196

5.1  發布前言.... 196

5.2  功能簡介.... 197

5.2.1  目錄結構... 197

5.2.2  安裝與更新... 198

5.2.3  模塊說明... 199

5.2.4  zwSys模塊：係統變量與類定義... 200

5.2.5  zwTools模塊：常用（非量化）工具函數... 201

5.2.6  zwQTBox：常用“量化”工具函數集... 201

5.2.7  zwQTDraw.py：量化繪圖工具函數... 203

5.2.8  zwBacktest：迴溯測試工具函數... 203

5.2.9  zwStrategy：策略工具函數... 203

5.2.10  zw_TA-Lib：金融函數模塊... 204

5.3  示例程序.... 207

5.4  常用量化分析參數.... 208

5.5  迴溯案例：對標測試.... 209

5.5.1  對標測試1：投資迴報參數... 209

5.5.2  對標測試2：VWAP策略... 211

5.6  迴報參數計算.... 214

5.7  主體框架.... 220

5.7.1  stkLib內存數據庫... 220

5.7.2  Bars數據包... 221

5.7.3  案例：內存數據庫&數據包... 222

5.7.4  qxLib、xtrdLib. 227

5.7.5  案例5-1：qxLib數據... 228

5.7.6  量化係統的價格體係... 230

5.7.7  數據預處理... 231

5.7.8  繪圖模闆... 234

5.8  新的起點.... 236

第6章  模塊詳解與實盤數據.... 237

6.1  迴溯流程.... 238

6.1.1  案例6-1：投資迴報率... 238

6.1.2  代碼構成... 242

6.1.3  運行總流程... 243

6.2  運行流程詳解.... 244

6.2.1  設置股票數據源... 244

6.2.2  設置策略參數... 247

6.2.3  dataPre數據預處理... 249

6.2.4  綁定策略函數... 253

6.2.5  迴溯測試：zwBackTest253

6.2.6  輸齣迴溯結果數據、圖錶... 258

6.3  零點策略.... 260

6.3.1  mul多個時間點的交易&數據... 263

6.3.2  案例6-2：多個時間點交易... 264

6.4  不同數據源與格式修改.... 270

6.4.1  案例6-3：數據源修改... 272

6.4.2  數據源格式修改... 274

6.5  金融數據包與實盤數據更新.... 275

6.5.1  大盤指數文件升級... 276

6.5.2  實盤數據更新... 277

6.5.3  案例6-4：A股實盤數據更新... 277

6.5.4  案例6-5：大盤指數更新... 279

6.6  穩定*.... 281

第7章  量化策略庫.... 282

7.1  量化策略庫簡介.... 282

7.1.1  量化係統的三代目... 283

7.1.2  通用數據預處理函數... 283

7.2  SMA均綫策略.... 286

7.2.1  案例7-1：SMA均綫策略... 286

7.2.2  實盤下單時機與推薦... 289

7.2.3  案例7-2：實盤SMA均綫策略... 290

7.3  CMA均綫交叉策略.... 294

7.3.1  案例7-3：均綫交叉策略... 294

7.3.2  對標測試誤差分析... 296

7.3.3  案例7-4：CMA均綫交叉策略修改版... 299

7.3.4  人工優化參數... 300

7.4  VWAP策略.... 301

7.4.1  案例7-5：VWAP策略... 301

7.4.2  案例7-6：實盤VWAP策略... 303

7.5  BBands布林帶策略.... 304

7.5.1  案例7-7：BBands布林帶策略... 305

7.5.2  案例7-8：實盤BBands布林帶策略... 306

7.6  大道至簡1+1. 307

第8章  海龜策略與自定義擴展.... 309

8.1  策略庫.... 309

8.1.1  自定義策略... 310

8.1.2  海龜投資策略... 310

8.2  tur海龜策略v1：從零開始.... 311

.... 312

《零起點 Python 大數據與量化交易》—— 開啓數據驅動的財富增長新篇章 你是否曾對海量數據背後的價值感到好奇？是否曾憧憬著通過智慧與科技，在瞬息萬變的金融市場中捕捉機遇？《零起點 Python 大數據與量化交易》將是你邁入這個精彩世界的敲門磚。 這本書並非一本枯燥的技術手冊，而是為你量身打造的、兼具理論深度與實操樂趣的學習指南。它將帶領你從零開始，逐步掌握 Python 這一強大的編程語言，並將其與大數據分析和量化交易的神秘領域深度融閤。我們將一起探索如何讓數據說話，如何從錯綜復雜的信息中提煉齣有價值的洞察，最終指導我們在資本市場的投資決策。 為什麼選擇 Python？ Python 憑藉其簡潔易懂的語法、龐大的庫生態係統以及活躍的社區支持，已成為數據科學和金融科技領域毋庸置疑的首選語言。無論你是否擁有編程基礎，這本書都會讓你領略到 Python 的魅力。我們將從最基礎的變量、數據類型、控製流開始，循序漸進地講解 Python 的核心概念，讓你快速建立起紮實的編程功底。 大數據：開啓洞察之門 在當今時代，數據如同新的石油，蘊藏著巨大的能量。本書將帶你深入瞭解大數據的前沿技術和應用。我們將學習如何運用 Python 強大的數據處理庫，如 NumPy 和 Pandas，高效地清洗、轉換和分析結構化與半結構化數據。你將學會如何從各種數據源（例如 CSV 文件、數據庫，甚至網絡爬取的數據）中提取信息，並使用 Matplotlib 和 Seaborn 等可視化工具，將抽象的數據轉化為直觀易懂的圖錶，從而更清晰地發現數據中的模式和趨勢。 量化交易：將智慧轉化為收益 量化交易，簡而言之，就是利用數學模型和計算機程序來執行交易策略。這本書將揭開量化交易的神秘麵紗，讓你理解其核心原理和實戰技巧。我們將從基礎的金融市場知識入手，講解如何構建一個簡單的交易策略，並利用 Python 來實現自動化交易。你會學習到如何獲取曆史行情數據，如何設計和迴測交易信號，以及如何管理風險。我們還將探討一些經典的量化交易策略，並展示如何使用 Python 來實現和優化它們。 本書的獨特之處： 零起點友好： 即使你從未接觸過編程，也能輕鬆上手。我們將提供清晰的步驟、豐富的示例代碼和易於理解的講解。 理論與實踐並重： 我們不僅會講解理論知識，更會強調動手實踐。每一章都配有大量的練習題和項目，讓你在實踐中鞏固所學。 真實案例驅動： 書中將引入大量實際的金融市場數據和量化交易場景，讓你學到的知識能夠直接應用於解決實際問題。 循序漸進的路徑： 從 Python 基礎到大數據處理，再到量化交易策略的構建與實現，我們為你規劃瞭一條清晰的學習路徑，讓你每一步都走得紮實而穩健。 賦能未來： 無論你是金融從業者，希望提升技術能力；還是編程愛好者，想探索新的應用領域；亦或是對投資理財充滿熱情，想掌握更科學的決策方式，本書都能為你提供寶貴的知識和技能。 你將收獲什麼？ 通過學習《零起點 Python 大數據與量化交易》，你將能夠： 熟練掌握 Python 編程基礎，為進一步深入學習打下堅實基礎。 運用 Pandas 和 NumPy 等庫，高效處理和分析海量數據。 利用數據可視化技術，清晰地展示數據洞察。 理解量化交易的基本原理，並能夠構建和迴測簡單的交易策略。 掌握使用 Python 實現自動化交易的基本方法。 培養數據驅動的投資思維，做齣更明智的決策。 金融市場的未來屬於那些善於利用數據和技術的人。《零起點 Python 大數據與量化交易》是你進入這個充滿機遇的領域，實現個人財富增長的理想選擇。準備好開啓你的數據與財富之旅瞭嗎？

評分☆☆☆☆☆

我對《現貨 零起點Python大數據與量化交易》這本書的期待，更多地集中在它能否真正地“賦能”讀者。在大數據時代，數據已經成為新的石油，而量化交易則是利用數據驅動決策的一種前沿投資方式。很多人都想在這個領域分一杯羹，但往往缺乏有效的工具和方法。《現貨 零起點Python大數據與量化交易》的齣現，似乎為廣大普通投資者提供瞭一個絕佳的跳闆。我非常想瞭解書中是如何“破壁”的，是如何將Python這個編程語言，變成量化交易的“瑞士軍刀”。我想知道，它會不會深入淺齣地講解如何使用Python庫，比如Pandas進行數據清洗和處理，NumPy進行數值計算，Matplotlib或Seaborn進行數據可視化，以及更關鍵的，如何利用Quantopian、zipline等量化交易平颱或庫來構建和迴測交易策略。這本書如果能提供一些真實市場數據分析的案例，或者一些經過驗證的交易策略的構建思路，那將是錦上添花。我特彆期待書中能引導我理解，在復雜的金融市場中，如何通過數據洞察趨勢，如何識彆交易機會，以及如何控製風險。如果它真的能讓一個零基礎的人，通過學習Python，對大數據和量化交易有一個清晰的認知，並能邁齣實踐的第一步，那麼這本書的價值就無法估量。

評分☆☆☆☆☆

初次看到《現貨 零起點Python大數據與量化交易》這個書名，我的第一反應是驚喜，接著便是好奇。市場上關於大數據和量化交易的書籍很多，但大多門檻較高，要麼是理論堆砌，要麼是代碼密集，對於像我這樣的“小白”來說，確實難以消化。這本書的“零起點”定位，無疑是抓住瞭痛點。我特彆想知道，它究竟是如何從零開始構建知識體係的。是不是會先從Python最基礎的安裝、環境配置說起，然後逐步過渡到數據結構、算法等核心概念？在數據處理方麵，是否會介紹如何獲取不同來源的數據，如何清洗、整理和分析這些數據，比如如何利用Python進行股票價格、交易量等數據的統計分析？更讓我期待的是，書中是否會講解如何將這些數據分析能力，與量化交易策略聯係起來。例如，如何通過Python代碼實現一些經典的交易信號，比如移動平均綫交叉、RSI超賣超買等，並進行迴測來評估策略的有效性？書中是否會提供一些易於理解的圖錶和實例，來幫助我這個初學者更好地掌握這些復雜的概念？如果這本書真的能讓我看到一個清晰的學習路徑，從入門到能夠初步構建一個量化交易模型，那將是一次非常寶貴的學習經曆。

評分☆☆☆☆☆

《現貨 零起點Python大數據與量化交易》這個書名，給我的感覺是它提供瞭一條通往金融科技前沿的捷徑。我一直對利用技術手段進行投資很感興趣，但苦於自身編程和金融知識的不足。這本書的標題，尤其是“零起點”這三個字，讓我看到瞭希望。我非常想瞭解，書中是如何將Python這個強大的編程語言，與“大數據”和“量化交易”這兩個相對高深的領域結閤起來的。它會不會從Python的入門知識開始，比如變量、數據類型、循環、函數等，然後逐步深入到如何利用Python處理和分析金融數據？我期待書中能夠提供一些關於數據獲取、清洗、特徵工程的實用技巧，並且能夠指導我如何利用Pandas、NumPy等庫進行高效的數據操作。更重要的是，我希望這本書能夠清晰地闡述量化交易的基本原理，以及如何使用Python來構建、迴測和優化交易策略。有沒有一些實際的案例，比如利用Python分析股票的K綫圖，或者構建一個簡單的趨勢跟蹤策略？這本書如果能讓我明白，普通人如何通過學習Python，也能在金融市場中找到屬於自己的“數據驅動”的交易方式，那麼它將是一本我絕對不能錯過的寶典。

評分☆☆☆☆☆

這本《現貨 零起點Python大數據與量化交易》的書名，讓我這個對量化投資充滿嚮往，但又對編程望而卻步的人，看到瞭曙光。“零起點”三個字，直接擊中瞭我的痛點。我迫切地想知道，它究竟是如何將Python這個看起來很專業的工具，變得如此易於上手，並且能夠與“大數據”和“量化交易”這樣聽起來頗具挑戰性的領域結閤起來。我期待書中能夠從最基礎的Python安裝和環境配置開始，用最平實的語言，引導我逐步理解變量、數據類型、條件語句、循環等編程基礎。更重要的是，我希望它能教會我如何利用Python來處理金融數據，比如如何獲取股票的日綫、分鍾綫數據，如何進行數據清洗、整理，如何進行一些基本的數據可視化，用圖錶來直觀地展現數據規律。關於量化交易的部分，我最期待的是它能清晰地解釋量化交易的基本邏輯，以及如何將Python編程與交易策略的構建聯係起來。書中是否會提供一些簡單易懂的量化交易策略示例，比如基於均綫的交易策略，或者基於技術指標的交易策略，並且能指導我如何用Python進行迴測，來驗證策略的有效性？如果這本書真的能讓我這個“小白”蛻變成一個能夠初步運用Python進行數據分析和量化交易的實踐者，那它的價值將不可估量。

評分☆☆☆☆☆

這本《現貨 零起點Python大數據與量化交易》的書名一開始就吸引瞭我。作為一名對金融市場和編程都充滿好奇但又毫無基礎的新手，市麵上很多技術類的書籍要麼過於晦澀難懂，要麼直接跳過瞭入門階段，讓我望而卻步。但“零起點”這三個字，就像一束光，瞬間點燃瞭我學習的希望。我迫切地想知道，它究竟是如何將Python這個強大的工具，與看似復雜的“大數據”和“量化交易”聯係起來，並且能讓一個完全沒有編程經驗的人也能夠理解和上手。我期待書中能夠用最通俗易懂的語言，解釋清楚Python的基本語法、數據類型、控製結構，以及如何利用這些基礎知識去處理和分析海量的數據。更重要的是，我希望能看到如何將這些數據分析能力轉化為實際的交易策略，比如如何通過Python來獲取曆史交易數據、如何進行迴測、如何構建簡單的交易模型等等。這本書的標題讓我聯想到，它可能會是一次循序漸進的學習之旅，從最簡單的概念開始，一步步引導我踏入這個充滿機遇和挑戰的領域。我非常好奇書中會通過哪些具體的案例和練習，來幫助我鞏固所學知識，並且最終能夠獨立地進行一些初步的量化交易嘗試。