零起点TensorFlow与量化交易 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

产品特色

编辑推荐

本书采用独创的黑箱模式、MBA案例教学机制，结合大量的经典案例，介绍TensorFlow系统和常用的深度学习算法、神经网络模型，以及它们在量化分析当中的具体应用。

《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。更重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。

内容简介

Python量化回溯、TensorFlow、PyTorch、MXNet深度学习平台以及神经网络模型，都是近年来兴起的前沿科技项目，相关理论、平台、工具目前尚处于摸索阶段。

TensorFlow是近年来影响大的神经网络、深度学习平台，本书从入门者的角度，对TensorFlow进行了介绍，《零起点TensorFlow与量化交易》中通过大量的实际案例，让初学者快速掌握神经网络和金融量化分析的基本编程，为进一步学习奠定扎实的基础。

《零起点TensorFlow与量化交易》中的案例、程序以教学为主，且进行了高度简化，以便读者能够快速理解相关内容，短时间了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络的应用。

《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch等新一代深度学习平台来获得。更重要的是，广大的一线实盘操作人员需要结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报收益。

作者简介

何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，20年人工智能从业经验；zwPython开发平台、TopQuant.vip极宽量化系统设计师，中国“Python创客”项目发起人，国内Python量化项目的启蒙者和开拓者：《Python量化实盘·魔鬼训练营》，Top极宽量化开源团队的创始人。2018年于深圳华侨城创意园，启动太和极宽金融孵化基地：金融、科技、艺术三位一体。

研究成果有：BigQuant理论架构：Python量化+数字货币+人工智能；“小数据”理论，GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等；论文《人工智能与中文字型设计》是中文字库行业三大基础建模理论之一。

内页插图

目录

第1章 TensorFlow概述 1

1.1 TensorFlow要点概括 2

1.2 TensorFlow简化接口 2

1.3 Keras简介 3

1.4 运行环境模块的安装 4

1.4.1 CUDA运行环境的安装 4

案例1-1：重点模块版本测试 5

案例1-2：GPU开发环境测试 8

1.4.2 GPU平台运行结果 9

第2章 无数据不量化（上） 12

2.1 金融数据源 13

2.1.1 TopDat金融数据集 14

2.1.2 量化分析与试错成本 15

2.2 OHLC金融数据格式 16

案例2-1：金融数据格式 17

2.3 K线图 18

案例2-2：绘制金融数据K线图 19

2.4 Tick数据格式 22

案例2-3：Tick数据格式 23

2.4.1 Tick数据与分时数据转换 25

案例2-4：分时数据 25

2.4.2 resample函数 26

2.4.3 分时数据 26

2.5 离线金融数据集 29

案例2-5：TopDat金融数据集的日线数据 29

案例2-6：TopDat金融数据集的Tick数据 31

2.6 TopDown金融数据下载 33

案例2-7：更新单一A股日线数据 34

案例2-8：批量更新A股日线数据 37

2.6.1 Tick数据与分时数据 40

案例2-9：更新单一A股分时数据 40

案例2-10：批量更新分时数据 43

2.6.2 Tick数据与实时数据 45

案例2-11：更新单一实时数据 45

案例2-12：更新全部实时数据 48

第3章 无数据不量化（下） 51

3.1 均值优先 51

案例3-1：均值计算与价格曲线图 52

3.2 多因子策略和泛因子策略 54

3.2.1 多因子策略 54

3.2.2 泛因子策略 55

案例3-2：均线因子 55

3.3 “25日神定律” 59

案例3-3：时间因子 61

案例3-4：分时时间因子 63

3.4 TA-Lib金融指标 66

3.5 TQ智能量化回溯系统 70

3.6 全内存计算 70

案例3-5：增强版指数索引 71

案例3-6：AI版索引数据库 73

3.7 股票池 77

案例3-7：股票池的使用 77

3.8 TQ_bar全局变量类 81

案例3-8：TQ_bar初始化 82

案例3-9：TQ版本日线数据 85

3.9 大盘指数 87

案例3-10：指数日线数据 88

案例3-11：TQ版本指数K线图 89

案例3-12：个股和指数曲线对照图 92

3.10 TDS金融数据集 96

案例3-13：TDS衍生数据 98

案例3-14：TDS金融数据集的制作 102

案例3-15：TDS金融数据集2.0 105

案例3-16：读取TDS金融数据集 108

第4章 人工智能与趋势预测 112

4.1 TFLearn简化接口 112

4.2 人工智能与统计关联度分析 113

4.3 关联分析函数corr 113

4.3.1 Pearson相关系数 114

4.3.2 Spearman相关系数 114

4.3.3 Kendall相关系数 115

4.4 open（开盘价）关联性分析 115

案例4-1：open关联性分析 115

4.5 数值预测与趋势预测 118

4.5.1 数值预测 119

4.5.2 趋势预测 120

案例4-2：ROC计算 120

案例4-3：ROC与交易数据分类 123

4.6 n+1大盘指数预测 128

4.6.1 线性回归模型 128

案例4-4：上证指数n+1的开盘价预测 129

案例4-5：预测数据评估 133

4.6.2 效果评估函数 136

4.6.3 常用的评测指标 138

4.7 n+1大盘指数趋势预测 139

案例4-6：涨跌趋势归一化分类 140

案例4-7：经典版涨跌趋势归一化分类 143

4.8 One-Hot 145

案例4-8：One-Hot格式 146

4.9 DNN模型 149

案例4-9：DNN趋势预测 150

第5章 单层神经网络预测股价 156

5.1 Keras简化接口 156

5.2 单层神经网络 158

案例5-1：单层神经网络模型 158

5.3 神经网络常用模块 168

案例5-2：可视化神经网络模型 170

案例5-3：模型读写 174

案例5-4：参数调优入门 177

第6章 MLP与股价预测 182

6.1 MLP 182

案例6-1：MLP价格预测模型 183

6.2 神经网络模型应用四大环节 189

案例6-2：MLP模型评估 190

案例6-3：优化MLP价格预测模型 194

案例6-4：优化版MLP模型评估 197

第7章 RNN与趋势预测 200

7.1 RNN 200

7.2 IRNN与趋势预测 201

案例7-1：RNN趋势预测模型 201

案例7-2：RNN模型评估 209

案例7-3：RNN趋势预测模型2 211

案例7-4：RNN模型2评估 214

第8章 LSTM与量化分析 217

8.1 LSTM模型 217

8.1.1 数值预测 218

案例8-1：LSTM价格预测模型 219

案例8-2：LSTM价格预测模型评估 226

8.1.2 趋势预测 230

案例8-3：LSTM股价趋势预测模型 231

案例8-4：LSTM趋势模型评估 239

8.2 LSTM量化回溯分析 242

8.2.1 构建模型 243

案例8-5：构建模型 243

8.2.2 数据整理 251

案例8-6：数据整理 251

8.2.3 回溯分析 262

案例8-7：回溯分析 262

8.2.4 专业回报分析 268

案例8-8：量化交易回报分析 268

8.3 完整的LSTM量化分析程序 279

案例8-9：LSTM量化分析程序 280

8.3.1 数据整理 280

8.3.2 量化回溯 284

8.3.3 回报分析 285

8.3.4 专业回报分析 288

第9章 日线数据回溯分析 293

9.1 数据整理 293

案例9-1：数据更新 294

案例9-2：数据整理 296

9.2 回溯分析 307

9.2.1 回溯主函数 307

9.2.2 交易信号 308

9.3 交易接口函数 309

案例9-3：回溯分析 309

案例9-4：多模式回溯分析 316

第10章 Tick数据回溯分析 318

10.1 ffn金融模块库 318

案例10-1：ffn功能演示 318

案例10-2：量化交易回报分析 330

案例10-3：完整的量化分析程序 343

10.2 Tick分时数据量化分析 357

案例10-4：Tick分时量化分析程序 357

总结 371

附录A TensorFlow 1.1函数接口变化 372

附录B 神经网络常用算法模型 377

附录C 机器学习常用算法模型 414

前言/序言

推荐序

AlphaGo与柯洁的黑白大战，因为对阵的一方是中国顶级围棋高手柯洁，所以引起国人的高度关注。利用百度搜索引擎输入AlphaGo，一度可以得出7000多万条搜索结果，这远远高于其他热门词条。

事实上，AlphaGo只是Google拥有的两套人工智能系统中的一套。它是Google 2014年收购的DeepMind的人工智能系统，专注于棋赛开发。Google的另外一套人工智能系统就是本书介绍的TensorFlow系统。

在TensorFlow等人工智能系统出现之前，计算机所做的事情往往是简单重复的。计算机会按照人类编好的既定程序，简单重复、按部就班地运行，没有超越人类事先为其设定的思维边界。

计算机与人类的大脑相比，根本的区别在于不具备学习和创新能力。

计算机顶多也就是记忆的信息多，重复计算的速度快，不受情绪的影响等。但是，在TensorFlow等人工智能系统出现之后，计算机所做的事情除简单重复运行之外，更重要的是其具备了一定的自我学习和创新能力。

TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习，自我提高，总结过去的经验，汲取以往的教训，具备一定的创新性。这一点在AlphaGo与柯洁对垒的3场棋局的结果中不难看出。

这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在，也是TensorFlow被称为互联网以来唯一的“黑科技”项目的原因。

具备了一定的自我学习和创造能力的人工智能系统的出现，将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历，将从一个侧面分享人工智能对金融领域的影响。

从整个金融业的历史沿革来看，这大致经历了4个阶段：纯人工阶段、单机电脑阶段、互联网（含移动互联网）阶段和人工智能阶段。

随着每个阶段的渐次演进，提供金融服务一方的人力成本投入在逐渐减少，提供金融服务的效率在提高；对于接受金融服务的一方来说，金融服务的可获得性，以及便捷程度在逐渐增加，金融服务越来越围绕着人进行，以人为中心的全方位的社会经济服务体系正在形成。

在金融服务体系中，银行服务、证券服务、保险服务等的内部界限开始变得模糊，金融服务与其他非金融的社会经济服务之间的界限开始变得不清。

特别是金融业进入人工智能阶段之后，人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据，进行实时分析和动态跟踪，以远低于人工成本的成本，为每个人建立一个基于生命周期的综合金融模型，对每个人未来的金融行为进行预测，自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作，并将模型预测结果与实际情况相比对，自主学习和修正模型，以便更加贴合接受金融服务一方的真实金融意图，使得人工智能模型的预测建议和人的实际金融行为无限接近。

由此人类将从日常繁杂的各种金融交易中解放出来，投身到更需要自己或自己更感兴趣的方面。

展望未来，人工智能的应用前景无限美好；探寻当下，人工智能在世界各地的各行各业方兴未艾。

千里之行，始于足下。何海群先生的《零起点TensorFlow与量化交易》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。

祝愿人工智能在华夏大地生根发芽，开花结果。

梁忠

梁忠：中国人民大学财政金融系博士，曾任里昂证券CLSA分析员；瑞银证券UBSS董事，财富管理中国研究部主管；瑞士信贷（香港）有限公司中国研究部董事；瑞信方正证券执行董事，研究部主管，具有20年国际顶级金融机构从业经历。

前言

感谢梁忠先生在百忙之中为本书撰写序言。以TensorFlow为代表的神经网络，被视为自互联网以来唯一的“黑科技”，无远弗届，无分行业领域，对社会各界从上至下带来彻底的颠覆与革命。

梁忠先生作为非IT领域的学者、专家，从第三方角度，冷静地观察这场数字革命，同时向更多的大众介绍这场革命的火花，推动行业变革，功莫大焉。

随着类似于Titanic数据集案例、梵高画风等一系列，基于TensorFlow等神经网络、深度学习项目的不断涌现，未来的各个学科都会结合人工智能（AI），进行新的学术重组。

“Python量化三部曲”

“Python量化三部曲”包括：

《零起点Python大数据与量化交易》（入门课程）

《零起点机器学习与量化交易》（重点分析SKLearn）

《零起点TensorFlow与量化交易》（重点分析TensorFlow）

此外，还有几部补充作品：

《零起点Python足彩大数据与机器学习实盘分析》

《零起点Python机器学习快速入门》

《零起点TensorFlow快速入门》

《MXNet神经网络与量化交易》

《Plotly可视化数据分析》

本书是《零起点TensorFlow快速入门》的后续之作，原本是TopQuant.vip极宽量化培训课程高级班的教学课件，为了节省篇幅，删除了Python基础教程，以及SKLearn、TensorFlow等机器学习方面的入门内容。没有经验的读者，建议先阅读《零起点Python机器学习快速入门》《零起点TensorFlow快速入门》，再开始本书的学习，这样会收到事半功倍的效果。

本书是目前较好的TensorFlow神经网络与量化分析入门教程：

无需任何理论基础，全程采用MBA案例模式，懂Excel就可看懂本书。

独创的逆向式课件模式，结合TensorBoard可视化系统，案例、图表优先，层层剖析。

系统介绍TensorFlow在金融量化领域的具体应用，提供多组配套案例。

全套神经网络股票趋势预测、股票价格预测案例源码。

TDS金融数据集的创建与使用。

三位一体的课件模式：图书+开发平台+成套的教学案例，系统讲解，逐步深入。

本书采用独创的黑箱模式、MBA案例教学机制，结合大量的经典案例，介绍TensorFlow系统和常用的深度学习算法、神经网络模型，以及它们在量化分析当中的具体应用。

进一步学习

读者如有兴趣可以进一步学习“Python量化三部曲”的内容，以及《零起点Python足彩大数据与机器学习实盘分析》。

机器学习、人工智能、金融量化，它们的基本原理是相通的，本质上都是数据分析。对于“Python量化三部曲”的读者而言，本书也有很大的价值，特别是对于第一部入门课程的读者。

Python量化回溯与TensorFlow、PyTorch、MXNet等神经网络深度学习平台，都是近年来兴起的科技前沿领域，有关的理论、平台、工具目前还处于摸索阶段。“Python量化三部曲”图书和TopQuant.vip极宽智能量化系统，只是在这些领域的起步阶段，作为入门教程，抛砖引玉。

本书中的案例、程序以教学为主，进行了很多简化，以便大家能够快速理解相关内容，用最短的时间，了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络在这些领域的应用操作技巧。

神经网络、深度学习在量化实盘当中的应用，是目前全世界都在研究的顶尖课题，当前尚未有很好的模型与应用案例。

本书仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。

最重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。

零起点TensorFlow与量化交易 下载 mobi epub pdf txt 电子书 格式

评分☆☆☆☆☆

活动时买的，折扣比较低，定价太高了，性价比一般吧，书还不错，值得一看

评分☆☆☆☆☆

好薄啊，以为很厚呢，还没看，看了追评

评分☆☆☆☆☆

物有所值

评分☆☆☆☆☆

很不错配送也非常快，满意

评分☆☆☆☆☆

很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好很好

评分☆☆☆☆☆

买了不止一次啦！哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈

评分☆☆☆☆☆

看后再评。。。。。。。。。。。。。。。。。。。

评分☆☆☆☆☆

大概前后扫了一下，也加了学习交流群，感觉老师挺好的，后续将书的内容用环境搭起来一起理解

评分☆☆☆☆☆

该书印刷精美，质量很好。京东物流超级棒，喜欢在京东上买东西

类似图书 点击查看全场最低价