Python金融大数据分析(第2版)

Python已成为数据驱动AI、金融优先选择的编程语言。现在，一些大型的投资银行和对冲资金均使用Python及其生态系统来构建核心交易与风险管理系统。在本书中，作者向开发人员和量化分析人员介绍了使用Python程序库与工具，完成金融数据科学、算法交易和计算金融任务的方法。Python与金融：Python交互式金融分析与程序开发入门。基本知识：学习Python数据类型与结构、NumPy、pandas及其DataFrame类、面向对象编程。金融数据科学：探索用于金融时间序列数据、I/O操作、推断统计学和机器学习的Python技术与程序库。算法交易：使用Python来验证和部署自动算法交易策略。衍生品分析：开发灵活、强大的Python期权、衍生品定价和风险管理程序库。

《Python金融大数据分析 第2版》分为5部分，共21章。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中很好有名的库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。

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。

目录第  1部分 Python与金融第  1章 为什么将Python用于金融  31.1  Python编程语言  31.1.1  Python简史  51.1.2  Python生态系统  61.1.3  Python用户谱系  71.1.4  科学栈  71.2  金融中的科技  81.2.1  科技投入  91.2.2  作为业务引擎的科技  91.2.3  作为进入门槛的科技和人才  101.2.4  不断提高的速度、频率和数据量  101.2.5  实时分析的兴起  111.3  用于金融的Python  121.3.1  金融和Python语法  121.3.2  Python的效率和生产率  161.3.3  从原型化到生产  201.4  数据驱动和人工智能优先的金融学  211.4.1  数据驱动金融学  211.4.2  人工智能优先金融学  241.5  结语  261.6  延伸阅读  27第  2章 Python基础架构  292.1  作为包管理器使用的conda  312.1.1  安装Miniconda  312.1.2  conda基本操作  332.2  作为虚拟环境管理器的conda  372.3  使用Docker容器  412.3.1  Docker镜像和容器  412.3.2  构建Ubuntu和Python Docker镜像  422.4  使用云实例  462.4.1  RSA公钥和私钥  472.4.2  Jupyter Notebook配置文件  482.4.3  Python和Jupyter Notebook安装脚本  492.4.4  协调Droplet设置的脚本  512.5  结语  522.6  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  573.1  基本数据类型  583.1.1  整数  583.1.2  浮点数  593.1.3  布尔值  613.1.4  字符串  653.1.5  题外话：打印和字符串替换  663.1.6  题外话：正则表达式  693.2  基本数据结构  713.2.1  元组  713.2.2  列表  723.2.3  题外话：控制结构  743.2.4  题外话：函数式编程  753.2.5  字典  763.2.6  集合  783.3  结语  793.4  延伸阅读  79第4章  用NumPy进行数值计算  814.1  数据数组  824.1.1  用Python列表形成数组  824.1.2  Python array类  844.2  常规NumPy数组  864.2.1  基础知识  864.2.2  多维数组  894.2.3  元信息  934.2.4  改变组成与大小  934.2.5  布尔数组  974.2.6  速度对比  994.3  NumPy结构数组  1004.4  代码向量化  1024.4.1  基本向量化  1024.4.2  内存布局  1054.5  结语  1074.6  延伸阅读  108第5章  pandas数据分析  1095.1  DataFrame类  1105.1.1  使用DataFrame类的第 一步  1105.1.2  使用DataFrame类的第二步  1145.2  基本分析  1185.3  基本可视化  1225.4  Series类  1245.5  GroupBy操作  1265.6  复杂选择  1285.7  联接、连接和合并  1315.7.1  联接  1325.7.2  连接  1335.7.3  合并  1355.8  性能特征  1375.9  结语  1395.10  延伸阅读  140第6章  面向对象编程  1416.1  Python对象简介  1456.1.1  int  1456.1.2  list  1466.1.3  ndarray  1466.1.4  DataFrame  1486.2  Python类基础知识  1496.3  Python数据模型  1546.4  Vector类  1586.5  结语  1596.6  延伸阅读  159第3部分  金融数据科学第7章  数据可视化  1637.1  静态2D绘图  1647.1.1  一维数据集  1647.1.2  二维数据集  1707.1.3  其他绘图样式  1777.2  静态3D绘图  1847.3  交互式2D绘图  1887.3.1  基本图表  1887.3.2  金融图表  1927.4  结语  1967.5  延伸阅读  196第8章  金融时间序列  1978.1  金融数据  1988.1.1  数据导入  1988.1.2  汇总统计  2018.1.3  随时间推移的变化  2038.1.4  重新采样  2078.2  滚动统计  2098.2.1  概述  2098.2.2  技术分析示例  2118.3  相关分析  2138.3.1  数据  2138.3.2  对数回报率  2148.3.3  OLS回归  2168.3.4  相关  2178.4  高频数据  2188.5  结语  2208.6  延伸阅读  220第9章  输入/输出操作  2219.1  Python基本I/O  2229.1.1  将对象写入磁盘  2229.1.2  读取和写入文本文件  2259.1.3  使用SQL数据库  2299.1.4  读写NumPy数组  2329.2  pandas的I/O  2349.2.1  使用SQL数据库  2359.2.2  从SQL到pandas  2379.2.3  使用CSV文件  2399.2.4  使用Excel文件  2409.3  PyTables的I/O  2429.3.1  使用表  2429.3.2  使用压缩表  2509.3.3  使用数组  2529.3.4  内存外计算  2539.4  TsTables的I/O  2569.4.1  样板数据  2579.4.2  数据存储  2589.4.3  数据检索  2599.5  结语  2619.6  延伸阅读  262第  10章 高性能的Python  26510.1  循环  26610.1.1  Python  26610.1.2  NumPy  26710.1.3  Numba  26810.1.4  Cython  26910.2  算法  27110.2.1  质数  27110.2.2  斐波那契数  27510.2.3  π  27910.3  二叉树  28310.3.1  Python  28310.3.2  NumPy  28510.3.3  Numba  28610.3.4  Cython  28710.4  蒙特卡洛模拟  28810.4.1  Python  28910.4.2  NumPy  29110.4.3  Numba  29110.4.4  Cython  29210.4.5  多进程  29310.5  pandas递归算法  29410.5.1  Python  29410.5.2  Numba  29610.5.3  Cython  29610.6  结语  29710.7  延伸阅读  298第  11章 数学工具  29911.1  逼近法  29911.1.1  回归  30111.1.2  插值  31011.2  凸优化  31411.2.1  全局优化  31511.2.2  局部优化  31711.2.3  有约束优化  31811.3  积分  32011.3.1  数值积分  32111.3.2  通过模拟求取积分  32211.4  符号计算  32311.4.1  基础知识  32311.4.2  方程式  32511.4.3  积分与微分  32511.4.4  微分  32611.5  结语  32811.6  延伸阅读  328第  12章 推断统计学  33112.1  随机数  33212.2  模拟  33812.2.1  随机变量  33812.2.2  随机过程  34112.2.3  方差缩减  35612.3  估值  35912.3.1  欧式期权  35912.3.2  美式期权  36412.4  风险测度  36712.4.1  风险价值  36712.4.2  信用价值调整  37112.5  Python脚本  37412.6  结语  37712.7  延伸阅读  377第  13章 统计学  37913.1  正态性检验  38013.1.1  基准案例  38113.1.2  真实数据  39013.2  投资组合优化  39613.2.1  数据  39613.2.2  基本理论  39813.2.3  最优投资组合  40113.2.4  有效边界  40413.2.5  资本市场线  40513.3  贝叶斯统计  40813.3.1  贝叶斯公式  40913.3.2  贝叶斯回归  41013.3.3  两种金融工具  41413.3.4  随时更新估算值  41813.4  机器学习  42313.4.1  无监督学习  42313.4.2  有监督学习  42613.5  结语  44113.6  延伸阅读  441第4部分  算法交易第  14章 FXCM交易平台  44514.1  入门  44614.2  读取数据  44714.2.1  读取分笔交易数据  44714.2.2  读取K线（蜡烛图）数据  44914.3  使用API  45114.3.1  读取历史数据  45214.3.2  读取流数据  45414.3.3  下单  45514.3.4  账户信息  45714.4  结语  45714.5  延伸阅读  458第  15章 交易策略  45915.1  简单移动平均数  46015.1.1  数据导入  46015.1.2  交易策略  46115.1.3  向量化事后检验  46315.1.4  优化  46515.2  随机游走假设  46715.3  线性OLS回归  46915.3.1  数据  47015.3.2  回归  47215.4  聚类  47415.5  频率方法  47615.6  分类  47915.6.1  两个二元特征  47915.6.2  5个二元特征  48015.6.3  5个数字化特征  48215.6.4  顺序训练-测试分离  48415.6.5  随机训练-测试分离  48515.7  深度神经网络  48615.7.1  用scikit-learn实现DNN  48615.7.2  用TensorFlow实现DNN  48915.8  结语  49215.9  延伸阅读  493第  16章 自动化交易  49516.1  资本管理  49616.1.1  二项设定中的凯利标准  49616.1.2  用于股票及指数的凯利标准  50016.2  基于ML的交易策略  50516.2.1  向量化事后检验  50516.2.2  最优杠杆  51016.2.3  风险分析  51216.2.4  持久化模型对象  51516.3  在线算法  51616.4  基础设施与部署  51816.5  日志与监控  51916.6  结语  52116.7  Python脚本  52216.7.1  自动化交易策略  52216.7.2  策略监控  52516.8  延伸阅读  525第5部分  衍生品分析第  17章 估值框架  52917.1  资产定价基本定理  52917.1.1  简单示例  53017.1.2  一般结果  53017.2  风险中立折现  53217.2.1  日期建模与处理  53217.2.2  恒定短期利率  53417.3  市场环境  53617.4  结语  53917.5  延伸阅读  540第  18章 金融模型的模拟  54118.1  随机数生成  54218.2  通用模拟类  54418.3  几何布朗运动  54818.3.1  模拟类  54818.3.2  用例  55018.4  跳跃扩散  55318.4.1  模拟类  55318.4.2  用例  55618.5  平方根扩散  55718.5.1  模拟类  55818.5.2  用例  56018.6  结语  56118.7  延伸阅读  563第  19章 衍生品估值  56519.1  通用估值类  56619.2  欧式行权  57019.2.1  估值类  57019.2.2  用例  57219.3  美式行权  57719.3.1  最小二乘蒙特卡洛方法  57719.3.2  估值类  57819.3.3  用例  58019.4  结语  58319.5  延伸阅读  585第  20章 投资组合估值  58720.1  衍生品头寸  58820.1.1  类  58820.1.2  用例  59020.2  衍生品投资组合  59220.2.1  类  59220.2.2  用例  59720.3  结语  60420.4  延伸阅读  605第  21章 基于市场的估值  60721.1  期权数据  60821.2  模型检验  61021.2.1  相关市场数据  61121.2.2  期权建模  61221.2.3  检验过程  61521.3  投资组合估值  62021.3.1  建立期权头寸模型  62121.3.2  期权投资组合  62221.4  Python代码  62321.5  结语  62521.6  延伸阅读  626附录A  日期与时间  627A.1  Python  627A.2  NumPy  633A.3  pandas  636附录B  BSM期权类  641B.1  类定义  641B.2  类的使用  643