Python金融大数据分析第2版

图书标准信息

• 作者 [德]伊夫·希尔皮斯科（Yves Hilpisch） 著；姚军 译
• 出版社 人民邮电出版社
• 出版时间 2020-04
• 版次 1
• ISBN 9787115521330
• 定价 139.00元
• 装帧 其他
• 开本 16开
• 页数 648页
• 字数 871千字

【内容简介】

《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中非常有名的库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。

【作者简介】

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。

【目录】

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 最优投资组合 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 最优杠杆 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 最小二乘蒙特卡洛方法 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