量化投資 數據挖掘技術與實踐(MATLAB版 附光盤) 下載 mobi epub pdf 電子書 2024

基本信息

書名：量化投資 數據挖掘技術與實踐(MATLAB版 附光盤)

：88.00元

作者：卓金武,周英

齣版社：電子工業齣版社

齣版日期：2015-05-01

ISBN：9787121259265

字數：

頁碼：420

版次：1

裝幀：平裝

開本：16開

商品重量：0.4kg

編輯推薦

適讀人群 ：本書的讀者對象為從事投資、數據挖掘、數據分析、數據管理工作的專業人士；金融、經濟、管理、統計等專業的教師和學生；希望學習MATLAB的廣大科研人員、學者和工程技術人員。
　　

為讀者提供數據挖據技術與量化投資有機結閤的方法，介紹具體技術在量化投資中的應用。囊括算法與綜閤應用案列，操作性強!

內容提要

《量化投資：數據挖掘技術與實踐（MATLAB版）》內容分為三篇。篇（基礎篇）主要介紹數據挖掘與量化投資的關係，以及數據挖掘的概念、實現過程、主要內容、主要工具等內容。第二篇（技術篇）係統介紹瞭數據挖掘的相關技術及這些技術在量化投資中的應用，主要包括數據的準備、數據的探索、關聯規則方法、數據迴規方法、分類方法、聚類方法、預測方法、診斷方法、時間序列方法、智能優化方法等內容。第三篇（實踐篇）主要介紹數據挖掘技術在量化投資中的綜閤應用實例，包括統計套利策略的挖掘與優化、配對交易策略的挖掘與實現、數據挖掘在股票程序化交易中的綜閤應用，以及基於數據挖掘技術的量化交易係統的構建。

目錄

篇 基礎篇
章 緒論
1.1 量化投資與數據挖掘的關係
1.1.1 什麼是量化投資
1.1.2 量化投資的特點
1.1.3 量化投資的核心DD量化模型
1.1.4 量化模型的主要産生方法DD數據挖掘
1.2 數據挖掘的概念和原理
1.2.1 什麼是數據挖掘
1.2.2 數據挖掘的原理
1.3 數據挖掘在量化投資中的應用
1.3.1 宏觀經濟分析
1.3.2 估價
1.3.3 量化選股
1.3.4 量化擇時
1.3.5 算法交易
1.4 本章小結
參考文獻
第2章 數據挖掘的內容、過程及工具
2.1 數據挖掘的內容
2.1.1 關聯
2.1.2 迴歸
2.1.3 分類
2.1.4 聚類
2.1.5 預測
2.1.6 診斷
2.2 數據挖據過程
2.2.1 數據挖掘過程概述
2.2.2 挖掘目標的定義
2.2.3 數據的準備
2.2.4 數據的探索
2.2.5 模型的建立
2.2.6 模型的評估
2.2.7 模型的部署
2.3 數據挖掘工具
2.3.1 MATLAB
2.3.2 SAS
2.3.3 SPSS
2.3.4 WEKA
2.3.5 R
2.3.6 工具的比較與選擇
2.4 本章小結
參考文獻

第二篇 技術篇
第3章 數據的準備
3.1 數據的收集
3.1.1 認識數據
3.1.2 數據挖掘的數據源
3.1.3 數據抽樣
3.1.4 量化投資的數據源
3.1.5 從雅虎獲取交易數據
3.1.6 從大智慧獲取財務數據
3.1.7 從Wind獲取高質量數據
3.2 數據質量分析
3.2.1 數據質量分析的必要性
3.2.2 數據質量分析的目的
3.2.3 數據質量分析的內容
3.2.4 數據質量分析的方法
3.2.5 數據質量分析的結果及應用
3.3 數據預處理
3.3.1 為什麼需要數據預處理
3.3.2 數據預處理的主要任務
3.3.3 數據清洗
3.3.4 數據集成
3.3.5 數據歸約
3.3.6 數據變換
3.4 本章小結
參考文獻
第4章 數據的探索
4.1 衍生變量
4.1.1 衍生變量的定義
4.1.2 變量衍生的原則和方法
4.1.3 常用的股票衍生變量
4.1.4 評價型衍生變量
4.1.5 衍生變量數據收集與集成
4.2 數據的統計
4.2.1 基本描述性統計
4.2.2 分布描述性統計
4.3 數據可視化
4.3.1 基本可視化方法
4.3.2 數據分布形狀可視化
4.3.3 數據關聯情況可視化
4.3.4 數據分組可視化
4.4 樣本選擇
4.4.1 樣本選擇的方法
4.4.2 樣本選擇應用實例
4.5 數據降維
4.5.1 主成分分析（PCA）基本原理
4.5.2 PCA應用案例：企業綜閤實力排序
4.5.3 相關係數降維
4.6 本章小結
參考文獻
第5章 關聯規則方法
5.1 關聯規則概要
5.1.1 關聯規則提齣背景
5.1.2 關聯規則的基本概念
5.1.3 關聯規則的分類
5.1.4 關聯規則挖掘常用算法
5.2 Apriori算法
5.2.1 Apriori算法的基本思想
5.2.2 Apriori算法的步驟
5.2.3 Apriori算法的實例
5.2.4 Apriori算法的程序實現
5.2.5 Apriori算法的優缺點
5.3 FP-Growth算法
5.3.1 FP-Growth算法步驟
5.3.2 FP-Growth算法實例
5.3.3 FP-Growth算法的優缺點
5.4 應用實例：行業關聯選股法
5.5 本章小結
參考文獻
第6章 數據迴歸方法
6.1 一元迴歸
6.1.1 一元綫性迴歸
6.1.2 一元非綫性迴歸
6.1.3 一元多項式迴歸
6.2 多元迴歸
6.2.1 多元綫性迴歸
6.2.2 多元多項式迴歸
6.3 逐步歸迴
6.3.1 逐步迴歸的基本思想
6.3.2 逐步迴歸步驟
6.3.3 逐步迴歸的MATLAB方法
6.4 Logistic迴歸
6.4.1 Logistic模型
6.4.2 Logistic迴歸實例
6.5 應用實例：多因子選股模型的實現
6.5.1 多因子模型的基本思想
6.5.2 多因子模型的實現
6.6 本章小結
參考文獻
第7章 分類方法
7.1 分類方法概要
7.1.1 分類的概念
7.1.2 分類的原理
7.1.3 常用的分類方法
7.2 K-近鄰（KNN）
7.2.1 K-近鄰原理
7.2.2 K-近鄰實例
7.2.3 K-近鄰特點
7.3 貝葉斯分類
7.3.1 貝葉斯分類原理
7.3.2 樸素貝葉斯分類原理
7.3.3 樸素貝葉斯分類實例
7.3.4 樸素貝葉斯特點
7.4 神經網絡
7.4.1 神經網絡的原理
7.4.2 神經網絡的實例
7.4.3 神經網絡的特點
7.5 邏輯斯蒂（Logistic）
7.5.1 邏輯斯蒂的原理
7.5.2 邏輯斯蒂的實例
7.5.3 邏輯斯蒂的特點
7.6 判彆分析
7.6.1 判彆分析的原理
7.6.2 判彆分析的實例
7.6.3 判彆分析的特點
7.7 支持嚮量機（SVM）
7.7.1 SVM的基本思想
7.7.2 理論基礎
7.7.3 支持嚮量機的實例
7.7.4 支持嚮量機的特點
7.8 決策樹
7.8.1 決策樹的基本概念
7.8.2 決策樹的建構的步驟
7.8.3 決策樹的實例
7.8.4 決策樹的特點
7.9 分類的評判
7.9.1 正確率
7.9.2 ROC麯綫
7.10 應用實例：分類選股法
7.10.1 案例背景
7.10.2 實現方法
7.11 延伸閱讀：其他分類方法
7.12 本章小結
參考文獻
第8章 聚類方法
8.1 聚類方法概要
8.1.1 聚類的概念
8.1.2 類的度量方法
8.1.3 聚類方法的應用場景
8.1.4 聚類方法的分類
8.2 K-means方法
8.2.1 K-means的原理和步驟
8.2.2 K-means實例1：自主編程
8.2.3 K-means實例2：集成函數
8.2.4 K-means的特點
8.3 層次聚類
8.3.1 層次聚類的原理和步驟
8.3.2 層次聚類的實例
8.3.3 層次聚類的特點
8.4 神經網絡聚類
8.4.1 神經網絡聚類的原理和步驟
8.4.2 神經網絡聚類的實例
8.4.3 神經網絡聚類的特點
8.5 模糊C-均值（FCM）方法
8.5.1 FCM的原理和步驟
8.5.2 FCM的應用實例
8.5.3 FCM算法的特點
8.6 高斯混閤聚類方法
8.6.1 高斯混閤聚類的原理和步驟
8.6.2 高斯聚類的實例
8.6.3 高斯聚類的特點
8.7 類彆數的確定方法
8.7.1 類彆的原理
8.7.2 類彆的實例
8.8 應用實例：股票聚類分池
8.8.1 聚類目標和數據描述
8.8.2 實現過程
8.8.3 結果及分析
8.9 延伸閱讀
8.9.1 目前聚類分析研究的主要內容
8.9.2 SOM智能聚類算法
8.10 本章小結
參考文獻
第9章 預測方法
9.1 預測方法概要
9.1.1 預測的概念
9.1.2 預測的基本原理
9.1.3 量化投資中預測的主要內容
9.1.4 預測的準確度評價及影響因素
9.1.5 常用的預測方法
9.2 灰色預測
9.2.1 灰色預測原理
9.2.2 灰色預測的實例
9.3 馬爾科夫預測
9.3.1 馬爾科夫預測的原理
9.3.2 馬爾科夫過程的特性
9.3.3 馬爾科夫預測的實例
9.4 應用實例：大盤走勢預測
9.4.1 數據的選取及模型的建立
9.4.2 預測過程
9.4.3 預測結果與分析
9.5 本章小結
參考文獻
0章 診斷方法
10.1 離群點診斷概要
10.1.1 離群點診斷的定義
10.1.2 離群點診斷的作用
10.1.3 離群點診斷方法分類
10.2 基於統計的離群點診斷
10.2.1 理論基礎
10.2.2 應用實例
10.2.3 優點與缺點
10.3 基於距離的離群點診斷
10.3.1 理論基礎
10.3.2 應用實例
10.3.3 優點與缺點
10.4 基於密度的離群點挖掘
10.4.1 理論基礎
10.4.2 應用實例
10.4.3 優點與缺點
10.5 基於聚類的離群點挖掘
10.5.1 理論基礎
10.5.2 應用實例
10.5.3 優點與缺點
10.6 應用實例：離群點診斷量化擇時
10.7 延伸閱讀：新興的離群點挖掘方法
10.7.1 基於關聯的離群點挖掘
10.7.2 基於粗糙集的離群點挖掘
10.7.3 基於人工神經網絡的離群點挖掘
10.8 本章小結
參考文獻
1章 時間序列方法
11.1 時間序列的基本概念
11.1.1 時間序列的定義
11.1.2 時間序列的組成因素
11.1.3 時間序列的分類
11.1.4 時間序列分析方法
11.2 平穩時間序列分析方法
11.2.1 移動平均法
11.2.2 指數平滑法
11.3 季節指數預測法
11.3.1 季節性水平模型
11.3.2 季節性趨勢模型
11.4 時間序列模型
11.4.1 ARMA模型
11.4.2 ARIMA模型
11.4.3 ARCH模型
11.4.4 GARCH模型
11.5 應用實例：基於時間序列的股票預測
11.6 本章小結
參考文獻
2章 智能優化方法
12.1 智能優化方法概要
12.1.1 智能優化方法的概念
12.1.2 在量化投資中的作用
12.1.3 常用的智能優化方法
12.2 遺傳算法
12.2.1 遺傳算法的原理
12.2.2 遺傳算法的步驟
12.2.3 遺傳算法實例
12.2.4 遺傳算法的特點
12.3 模擬退火算法
12.3.1 模擬退火算法的原理
12.3.2 模擬退火算法步驟
12.3.3 模擬退火算法實例
12.3.4 模擬退火算法的特點
12.4 應用實例：組閤投資優化
12.4.1 問題描述
12.4.2 求解過程
12.5 延伸閱讀：其他智能方法
12.5.1 粒子群算法
12.5.2 蟻群算法
12.6 本章小結
參考文獻

第三篇 實踐篇
3章 統計套利策略的挖掘與優化
13.1 統計套利策略概述
13.1.1 統計套利的定義
13.1.2 統計套利策略的基本思想
13.1.3 統計套利策略挖掘的方法
13.2 基本策略的挖掘
13.2.1 準備數據
13.2.2 探索交易策略
13.2.3 驗證交易策略
13.2.4 選擇佳的參數
13.2.5 參數掃描法
13.2.6 考慮交易費
13.3 高頻交易策略及優化
13.3.1 高頻交易的基本思想
13.3.2 高頻交易的實現
13.4 多交易信號策略的組閤及優化
13.4.1 多交易信號策略
13.4.2 交易信號的組閤優化機理
13.4.3 交易信號的組閤優化實現
13.5 本章小結
參考文獻
4章 配對交易策略的挖掘與實現
14.1 配對交易概述
14.1.1 配對交易的定義
14.1.2 配對交易的特點
14.1.3 配對選取步驟
14.2 協整檢驗的理論基礎
14.2.1 協整關係的定義
14.2.2 EG兩步協整檢驗法
14.2.3 Johansen協整檢驗法
14.3 配對交易的實現
14.3.1 協整檢驗的實現
14.3.2 配對交易函數
14.3.3 協整配對中的參數優化
14.4 延伸閱讀：配對交易的三要素
14.4.1 配對交易的前提
14.4.2 配對交易的關鍵
14.4.3 配對交易的假設
14.5 本章小結
參考文獻
5章 數據挖掘在股票程序化交易中的綜閤應用
15.1 程序化交易概述
15.1.1 程序化交易的定義
15.1.2 程序化交易的實現過程
15.1.3 程序化交易的分類
15.2 數據的處理及探索
15.2.1 獲取股票日交易數據
15.2.2 計算指標
15.2.3 數據標準化
15.2.4 變量篩選
15.3 模型的建立及評估
15.3.1 股票預測的基本思想
15.3.2 模型的訓練及評價
15.4 組閤投資的優化
15.4.1 組閤投資的理論基礎
15.4.2 組閤投資的實現
15.5 程序化交易的實施
15.6 本章小結
參考文獻
6章 基於數據挖掘技術的量化交易係統
16.1 交易係統概述
16.1.1 交易係統的定義
16.1.2 交易係統的作用
16.2 DM交易係統總體設計
16.2.1 係統目標
16.2.2 相關約定
16.2.3 係統結構
16.3 短期交易子係統
16.3.1 子係統功能描述
16.3.2 數據預處理模塊
16.3.3 量化選股模塊
16.3.4 策略迴測模塊
16.4 中長期交易子係統
16.4.1 子係統功能描述
16.4.2 導入數據模塊
16.4.3 投資組閤優化模塊
16.5 係統的拓展與展望
16.6 本章小結
參考文獻

作者介紹

卓金武，中國量化投資學會專傢委員會成員，MathWorks中國區數據挖掘和量化投資總監，主要職責是嚮中國區MATLAB正版用戶提供數據挖掘和量化投資解決方案。曾2次獲全國大學生數學建模競賽一等奬 （2003， 2004），1次獲全國研究生數學建模競賽一等奬 （2007）；已主編專著兩部:《MATLAB在數學建模中的應用》（版和第二版）。
　　
　　　　周英，現就職於某知名搜索引擎公司，主要從事移動搜索引擎的研發，研究方嚮為互聯網數據挖掘和互聯網金融。曾獲美國大學生數學建模競賽二等奬一項，全國研究生數學建模競賽二等奬一項。著有專著《大數據挖掘的技術與實踐》。

文摘

序言

　　★聽過金武講課，看過他的前一本書《MATLAB在數學建模中的應用》——理論和實例並重，非常喜歡。我一直認為，不搞數據挖掘，量化投資多半是碰運氣。這本新書正是我要找的！其中選股選時、預測、投資組閤、數據源、數據降維、神經網絡、貝葉斯分類……都是我關心的主題！更難得的是，還有用MAT.LAB實現的大量實例。你來得太及時瞭！

　　——魯晨光，《投資組閤的熵理論和信息價值》作者、方舟中國股鬆基金經理人

　　★卓金武的這本書很好地結閤瞭眼下熱門的量化投資和數據挖掘兩大領域。內容安排上從理論基礎齣發，係統闡述瞭量化投資中常用的數據挖掘方法和技術，並將這些方法和技術運用到量化投資的策略開發中。本書既適閤在校學生學習使用，也可作為從事量化投資以及數據挖掘工作專業人士的有價值的參考書使用。

　　——宋斌，中央財經大學管理科學與工程學院投資係係主任、副教授、碩士生導師

　　★數據挖掘是量化投資的基礎，投資理念和經驗是量化投資的核心。本書作者花費瞭大量精力用案例講解的形式將數據挖掘的每類方法從數據的收集、數據質量分析、參數優化、建模、程序實現等方麵進行瞭解析，讀者可更加便捷地將這些方法運用於實踐中，以達到提升業績的目的。本書用直接的方式告訴讀者量化投資背後的一套完整的數據挖掘實踐體係。

　　—— 漲曉麗，CCTV證券資訊頻道《投資名傢》欄目編導

　　★人工智能（數據挖掘）技術的發展已經給許許多多領域帶來瞭突破性的進步，更有大師預言在絕大部分領域人工智能將超齣人類智能 量化投資 數據挖掘技術與實踐(MATLAB版 附光盤) 下載 mobi epub pdf txt 電子書 格式