人工智能在量化交易中的应用与实战

第1章　人工智能快速入门 / 1

1.1　初识人工智能 / 2

1.1.1　什么是人工智能 / 2

1.1.2　为什么要学习人工智能 / 2

1.2　智能概述 / 4

1.2.1　智能类型 / 4

1.2.2　智能的组成 / 6

1.3　人工智能的研究与应用领域 / 8

1.3.1　专家系统 / 8

1.3.2　自然语言理解 / 9

1.3.3　机器学习 / 9

1.3.4　机器定理证明 / 10

1.3.5　自动程序设计 / 11

1.3.6　分布式人工智能 / 12

1.3.7　机器人学 / 13

1.3.8　模式识别 / 14

1.3.9　人机博弈 / 14

1.3.10　计算机视觉 / 15

1.3.11　软计算 / 15

1.3.12　智能控制 / 16

1.3.13　智能规划 / 17

1.4　人工智能的开发语言 / 18

1.4.1　为什么使用Python来开发人工智能 / 18

1.4.2　Python的下载和安装 / 18

1.4.3　Python程序的编写 / 21

1.4.4　利用量化交易平台编写Python程序 / 24

1.5　人工智能的发展历史 / 27

1.5.1　计算机时代 / 27

1.5.2　大量程序 / 28

1.5.3　强弱人工智能 / 29

第2章　Python 编程基础 / 31

2.1　Python的基本数据类型 / 32

2.1.1　数值类型 / 32

2.1.2　字符串 / 34

2.2　变量与赋值 / 37

2.2.1　变量命名规则 / 37

2.2.2　变量的赋值 / 38

2.3　Python的基本运算 / 39

2.3.1　算术运算 / 39

2.3.2　赋值运算 / 41

2.3.3　位运算 / 42

2.4　Python的选择结构 / 43

2.4.1　关系运算 / 43

2.4.2　逻辑运算 / 45

2.4.3　if 语句 / 46

2.4.4　嵌套 if 语句 / 48

2.5　Python的循环结构 / 49

2.5.1　while循环 / 50

2.5.2　while 循环使用else语句 / 51

2.5.3　无限循环 / 51

2.5.4　for循环 / 52

2.5.5　在for循环中使用range()函数 / 53

2.5.6　break语句 / 54

2.5.7　continue语句 / 55

2.5.8　pass语句 / 56

2.6　Python的特征数据类型 / 57

2.6.1　列表 / 57

2.6.2　元组 / 61

2.6.3　字典 / 63

2.6.4　集合 / 64

2.7　Python的函数 / 67

2.7.1　函数的定义与调用 / 67

2.7.2　参数传递 / 69

2.7.3　匿名函数 / 71

2.7.4　变量作用域 / 72

2.8　Python的面向对象 / 73

2.8.1　面向对象概念 / 73

2.8.2　类与实例 / 74

2.8.3　模块的引用 / 77

2.9　Python的代码格式 / 78

2.9.1　代码缩进 / 78

2.9.2　代码注释 / 79

2.9.3　空行 / 79

2.9.4　同一行显示多条语句 / 79

第3章　人工智能的Numpy 包 / 81

3.1　初识Numpy包 / 82

3.2　ndarray数组基础 / 82

3.2.1　创建Numpy数组 / 83

3.2.2　Numpy特殊数组 / 86

3.2.3　Numpy序列数组 / 90

3.2.4　Numpy数组索引 / 91

3.2.5　Numpy数组运算 / 92

3.2.6　Numpy数组复制 / 93

3.3　Numpy的矩阵 / 94

3.4　Numpy的线性代数 / 96

3.4.1　两个数组的点积 / 96

3.4.2　两个向量的点积 / 97

3.4.3　一维数组的向量内积 / 97

3.4.4　矩阵的行列式 / 98

3.4.5　矩阵的逆 / 100

3.5　Numpy的文件操作 / 101

第4章　人工智能的Pandas 包 / 105

4.1　Pandas的数据结构 / 106

4.2　一维数组系列（Series） / 106

4.2.1　创建一个空的系列（Series） / 106

4.2.2　从ndarray创建一个系列（Series） / 107

4.2.3　从字典创建一个系列（Series） / 109

4.2.4　从有位置的系列（Series）中访问数据 / 109

4.2.5　使用标签检索数据 / 110

4.3　二维数组DataFrame / 111

4.3.1　创建DataFrame / 111

4.3.2　数据的查看 / 112

4.3.3　数据的选择 / 116

4.3.4　数据的处理 / 122

4.4　三维数组Panel / 124

第5章　人工智能的Matplotlib 包 / 127

5.1　Matplotlib包的优点 / 128

5.2　figure()函数的应用 / 128

5.2.1　figure()函数的各参数意义 /128

5.2.2　figure()函数的实例 / 129

5.3　plot()函数的应用 / 131

5.3.1　plot()函数的各参数意义 /131

5.3.2　plot()函数的实例 / 132

5.4　subplot()函数的应用 / 133

5.4.1　subplot()的各参数意义 / 134

5.4.2　subplot()的实例 / 134

5.5　add_axes方法的应用 / 135

5.6　legend()函数的应用 / 137

5.7　设置字体格式 / 139

5.8　设置线条的宽度和颜色 / 140

5.9　坐标轴网格 / 142

5.10　绘制柱状图 / 143

5.11　绘制色图和等高线图 / 144

5.12　绘制立体三维图形 / 146

第6章　决策树和随机森林 / 151

6.1　决策树 / 152

6.1.1　什么是决策树 / 152

6.1.2　决策树的组成 / 153

6.1.3　决策树的优点 / 153

6.1.4　决策树的缺点 / 154

6.1.5　决策树的构造 / 154

6.1.6　纯度判断方法 / 155

6.1.7　决策树的剪枝 / 162

6.1.8　利用Python代码实现决策树 / 163

6.2　随机森林 / 167

6.2.1　随机森林的构建 / 167

6.2.2　随机森林的优缺点 / 168

6.2.3　随机森林的应用范围 / 168

6.2.4　利用Python代码实现随机森林 /169

第7章　支持向量机（SVM）和朴素贝叶斯 / 173

7.1　支持向量机（SVM） / 174

7.1.1　什么是支持向量机（SVM） / 174

7.1.2　支持向量机（SVM）的工作原理 / 174

7.1.3　核函数 / 175

7.1.4　支持向量机(SVM)的优点 / 177

7.1.5　支持向量机(SVM)的缺点 / 177

7.1.6　利用Python代码实现支持向量机(SVM)/ 177

7.2　朴素贝叶斯 / 182

7.2.1　什么是朴素贝叶斯 / 182

7.2.2　朴素贝叶斯的算法思想 / 182

7.2.3　朴素贝叶斯的算法步骤 / 183

7.2.4　朴素贝叶斯的优缺点 / 184

7.2.5　利用Python代码实现高斯朴素贝叶斯 /184

7.2.6　利用Python代码实现多项式分布朴素贝叶斯 / 187

7.2.7　利用Python代码实现伯努力朴素贝叶斯/ 188

第8章　人工智能的神经网络 / 191

8.1　初识人工神经网络 / 192

8.1.1　什么是人工神经网络 / 192

8.1.2　大脑中的神经元细胞和神经元细胞网络 /192

8.1.3　人工神经网络的基本特征 / 193

8.1.4　人工神经网络的特点 / 195

8.2　人工神经网络的算法 / 195

8.3　神经网络库Pybrain / 197

8.3.1　神经网络的创建 / 197

8.3.2　神经网络的数据集定义 / 201

8.3.3　训练神经网络 / 202

8.3.4　循环神经网络 / 204

8.4　人工神经网络实例 / 205

第9章　Python 量化交易策略的编写 / 209

9.1　Python量化交易策略的组成 /210

9.1.1　初始化函数（initialize） / 211

9.1.2　开盘前运行函数（before_market_open） / 212

9.1.3　开盘时运行函数（market_open） / 213

9.1.4　收盘后运行函数（after_market_close） / 214

9.2　Python量化交易策略的设置函数 /214

9.2.1　设置基准函数 / 215

9.2.2　设置佣金/印花税函数 / 215

9.2.3　设置滑点函数 / 217

9.2.4　设置动态复权（真实价格）模式函数 /217

9.2.5　设置成交量比例函数 / 218

9.2.6　设置是否开启盘口撮合模式函数 / 218

9.2.7　设置要操作的股票池函数 / 218

9.3　Python量化交易策略的定时函数 /219

9.3.1　定时函数的定义及分类 / 219

9.3.2　定时函数各项参数的意义 / 219

9.3.3　定时函数的注意事项 / 220

9.3.4　定时函数的实例 / 221

9.4　Python量化交易策略的下单函数 /222

9.4.1　按股数下单函数 / 222

9.4.2　目标股数下单函数 / 223

9.4.3　按价值下单函数 / 223

9.4.4　目标价值下单函数 / 224

9.4.5　撤单函数 / 224

9.4.6　获取未完成订单函数 / 225

9.4.7　获取订单信息函数 / 225

9.4.8　获取成交信息函数 / 226

9.5　Python量化交易策略的日志log/ 226

9.5.1　设定log级别 / 226

9.5.2　log.info / 227

9.6　Python量化交易策略的常用对象 /227

9.6.1　Order对象 / 227

9.6.2　全局对象g / 228

9.6.3　Trade对象 / 229

9.6.4　tick对象 / 229

9.6.5　Context对象 / 230

9.6.6　Position对象 / 231

9.6.7　SubPortfolio对象 / 232

9.6.8　Portfolio对象 / 233

9.6.9　SecurityUnitData对象 / 233

第10章　Python 量化交易策略的获取数据函数 / 235

10.1　获取股票数据的history()函数 / 236

10.1.1　各项参数的意义 / 236

10.1.2　history()函数的应用实例 / 238

10.2　获取一只股票数据的attribute_history()函数 / 241

10.3　查询一个交易日股票财务数据的get_fundamentals()函数 / 242

10.3.1　各项参数的意义 / 242

10.3.2　get_fundamentals ()函数的应用实例 / 243

10.4　查询股票财务数据的get_fundamentals_continuously()函数 / 249

10.5　获取股票特别数据的get_current_data()函数 / 250

10.6　获取指数成分股代码的get_index_stocks()函数 / 251

10.6.1　各项参数的意义 / 251

10.6.2　get_index_stocks ()函数的应用实例 / 252

10.7　获取行业成分股代码的get_industry_stocks()函数 / 253

10.8　获取概念成本股代码的get_concept_stocks()函数 / 255

10.9　获取所有数据信息的get_all_securities()函数 / 256

10.9.1　各项参数的意义 / 256

10.9.2　get_all_securities()函数的应用实例 / 257

10.10　获取一只股票信息的get_security_info()函数 / 259

10.11　获取龙虎榜数据的get_billboard_list()函数 / 260

10.11.1　各项参数的意义 / 260

10.11.2　get_billboard_list()函数的应用实例 / 261

10.12　获取限售解禁数据的get_locked_shares()函数 / 262

第11章　Python 基本面量化选股 / 265

11.1　初识量化选股 / 266

11.2　成长类因子选股 / 266

11.2.1　营业收入同比增长率选股 / 266

11.2.2　营业收入环比增长率选股 / 268

11.2.3　净利润同比增长率选股 / 269

11.2.4　净利润环比增长率选股 / 270

11.2.5　营业利润率选股 / 271

11.2.6　销售净利率选股 / 272

11.2.7　销售毛利率选股 / 273

11.3　规模类因子选股 / 274

11.3.1　总市值选股 / 274

11.3.2　流通市