Python机器学习与量化投资

目 录
第1 章 Python 与机器学习...... 1
1.1 scikit-learn 模块库........ 2
1.1.1 scikit-learn 的缺点. 3
1.1.2 scikit-learn 算法模块......... 4
1.1.3 scikit-learn 六大功能......... 5
1.2 开发环境搭建...... 8
1.2.1 AI 领域的标准编程语言：Python 8
1.2.2 zwPython：难度降低90%，性能提高10 倍.. 9
1.2.3 “零对象”编程模式........ 11
1.2.4 开发平台搭建...... 12
1.2.5 程序目录结构...... 12
案例1-1：重点模块版本测试.... 13
1.3 机器学习：从忘却开始....... 17
1.4 学习路线图........ 20
第2 章 机器学习编程入门..... 21
2.1 经典机器学习算法..... 21
2.2 经典爱丽丝........ 22
案例2-1：经典爱丽丝.... 24
案例2-2：爱丽丝进化与文本矢量化.. 26
2.3 机器学习算法流程..... 28
2.4 机器学习数据集......... 28
案例2-3：爱丽丝分解.... 29
2.5 数据切割函数.... 33
2.6 线性回归算法.... 34
案例2-4：爱丽丝回归.... 35
第3 章 金融数据的预处理..... 40
3.1 至简归一法........ 40
案例3-1：麻烦的外汇数据........ 41
案例3-2：尴尬的日元.... 45
案例3-3：凶残的比特币 49
3.2 股票池与Rebase......... 51
3.2.1 股票池........ 51
3.2.2 Rebase 与归一化.. 52
案例3-4：股票池Rebase 归一化........ 53
3.3 金融数据切割.... 57
案例3-5：当上证遇到机器学习 58
3.4 preprocessing 模块..... 63
案例3-6：比特币与标准化........ 65
案例3-7：比特币与归一化........ 69
第4 章 机器学习快速入门..... 72
4.1 回归算法. 72
4.2 LR 线性回归模型....... 73
案例4-1：上证指数之LR 回归事件... 76
4.3 常用评测指标.... 81
4.4 多项式回归........ 83
案例4-2：上证指数的多项式故事...... 83
案例4-3：预测比特币价格........ 86
4.5 逻辑回归算法模型..... 87
案例4-4：上证指数预测逻辑回归版.. 88
第5 章 模型验证优化..... 96
5.1 交叉验证评估器......... 96
案例5-1：交叉验证........ 98
5.2 交叉验证评分.. 101
案例5-2：交叉验证评分 101
第6 章 决策树.... 103
6.1 决策树算法...... 103
6.1.1 ID3 算法与C4.5 算法... 105
6.1.2 常用决策树算法 106
6.1.3 sklearn 内置决策树算法 107
6.2 决策树回归函数....... 109
案例6-1：决策树回归算法...... 110
6.3 决策树分类函数....... 115
案例6-2：决策树分类算法...... 116
6.4 GBDT 算法...... 121
6.5 迭代决策树函数....... 122
案例6-3：GBDT 回归算法...... 123
案例6-4：GBDT 分类算法...... 128
第7 章 随机森林算法和*随机树算法 133
7.1 随机森林函数.. 135
7.2 决策树测试框架....... 137
案例7-1：RF 回归算法大测试 138
7.3 决策树测试函数....... 140
案例7-2：上证的RF 回归频道......... 142
案例7-3：当比特币碰到RF 回归算法......... 146
案例7-4：上证和RF 分类算法......... 147
7.4 *随机树算法....... 150
7.5 *随机树函数....... 151
案例7-5：*随机树回归算法........ 152
案例7-6：上证指数案例应用.. 154
案例7-7：ET、比特币，谁更*... 155
第8 章 机器学习算法模式... 159
8.1 学习模式. 161
8.2 机器学习五大流派... 164
8.3 经典机器学习算法... 165
8.4 小结........ 166
第9 章 概率编程 167
9.1 朴素贝叶斯的上证之旅..... 168
案例9-1：上证朴素贝叶斯算法........ 170
9.2 隐马尔可夫模型....... 175
案例9-2：HMM 模型与模型保存..... 176
案例9-3：HMM 算法与模型读取..... 180
第10 章 实例算法......... 185
K *近邻算法 186
案例10-1：*次惊喜——KNN 算法......... 187
案例10-2：KNN 分类.. 190
第11 章 正则化算法..... 192
11.1 岭回归算法.... 193
案例11-1：新高度——岭回归算法... 195
11.2 套索回归算法 197
案例11-2：套索回归算法应用 199
11.3 弹性网络算法 201
案例11-3：弹性网络算法应用 202
11.4 *小角回归算法..... 204
案例11-4：LARS 算法应用..... 204
第12 章 聚类分析......... 206
12.1 K 均值算法.... 207
案例12-1：K 均值算法应用.... 208
12.2 BIRCH 算法... 210
案例12-2：BIRCH 算法应用... 211
12.3 小结...... 213
第13 章 降维算法......... 215
13.1 主成分分析.... 216
案例13-1：主成分分析的应用 218
案例13-2：PCA 算法的上证戏法..... 223
13.2 奇异值分解算法..... 227
案例13-3：奇异果传说：SVD 228
第14 章 集成算法......... 229
14.1 sklearn 内置集成算法....... 231
14.2 装袋算法......... 232
案例14-1：装袋回归算法........ 232
案例14-2：装袋分类算法........ 234
14.3 AdaBoost 迭代算法. 236
案例14-3：AdaBoost 迭代回归算法. 237
案例14-4：AdaBoost 迭代分类算法. 239
第15 章 支持向量机..... 242
15.1 支持向量机算法..... 242
15.2 SVM 函数接口........ 244
案例15-1：SVM 回归算法...... 245
案例15-2：SVM 分类算法...... 247
第16 章 人工神经网络算法. 250
16.1 多层感知器.... 252
案例16-1：多层感知器回归算法...... 253
案例16-2：多层感知器分类算法...... 256
附录A sklearn 常用模块和函数..... 259
附录B 量化分析常用指标.... 284