Python股票量化交易从入门到实践/金融科技系列

1.厘清概念，夯实技能
深入浅出揭示量化交易的本质和源起，手把手教你部署Python环境，跟随代码示例掌握基本的编程语法和模块调用。
2.立足A股，贴近实战
选择A股市场作为标的，囊括多渠道数据获取、技术指标的回测分析与可视化等，在边学边练中摸索股票量化技巧。
3.步骤详细，模型与代码并重
统计概率理论快速入门，ATR技术指标、蒙特卡洛法、凯利公式等经典策略与Python编码的完美融合。
4.大咖推荐，品质保证
畅销书《基于Python的金融分析与风险防控》作者斯文博士作序推荐，《快乐机器学习》作者王圣元倾情推荐。

量化交易是一种新兴的系统化的金融投资方法，它是以计算机强大的运算能力为基础，运用数据建模、统计学分析、程序设计等工具从历史数据中得到良好的交易策略，是计算机科学在金融领域的具体应用。Python语言凭借其简洁、高效的特性，以及其在大数据分析方面的强大性能，在量化交易领域得到了良好的应用。
本书以A股市场为交易标的物，引导读者从理解量化交易开始，逐步掌握行情数据的获取和管理、技术指标的可视化，并在熟练编程的基础上，构建出个性化的交易策略体系。
本书适合对股票的量化交易感兴趣的读者阅读，通过阅读本书，读者不仅能够了解Python数据分析和数据可视化的核心技能，更能够将Python作为常用工具，为股票技术指标分析和量化交易提供助力。

袁霄，资深Python数据分析师兼不错项目管理师，精通C/C++/Python语言、Web前后端技术、人工智能算法、大数据分析、证券分析等多领域知识，致力于推动金融量化交易的普及和发展。作为CSDN、掘金小册、慕课网等平台的很好作者，已发布多个股票量化交易相关的课程，日常运营微信公众号“元宵大师带你用Python量化交易”。

章 理解Python股票量化交易
1.1 多角度分析量化交易
1.1.1 量化交易的本质
1.1.2 量化交易的发展
1.1.3 量化交易的优势
1.1.4 量化交易的过程
1.2 多角度分析股票价格
1.2.1 从股票的起源看本质
1.2.2 如何衡量股票溢价
1.2.3 股票收益的组成
1.2.4 股价波动的原因
1.3 为什么选择Python语言
1.3.1 概述编程语言的发展
1.3.2 面向过程和面向对象
1.3.3 Python的起源及优势
1.4 本章总结
第2章 量化语言Python的关键应用
2.1 快速部署Python开发环境
2.1.1 Python环境安装
2.1.2 第三方库安装
2.1.3 开发工具安装
2.2 开启Python的个程序
2.2.1 如何建立标准py文件
2.2.2 区分模块、包、库
2.2.3 import发挥扩展优势
2.2.4 调试助手print()函数
2.3 何为Python动态类型特性
2.3.1 变量的种类
2.3.2 动态类型的特性
2.3.3 内存管理与回收
2.3.4 深入探究PyObject
2.4 如何正确地创建函数
2.4.1 用def关键字定义函数
2.4.2 参数传递的形式
2.4.3 匿名函数lambda
2.5 初识Python面向对象
2.5.1 父类、子类和实例
2.5.2 元类和类及object和type
2.5.3 经典类和新式类的区别
2.6 如何用面向对象思维编程
2.6.1 如何正确地构建类
2.6.2 类的实例化全过程
2.6.3 如何引用类的属性
2.6.4 如何引用类的方法
2.6.5 类的继承机制应用
2.6.6 类的组合机制应用
2.7 深入理解for-in循环
2.7.1 for-in循环的原理
2.7.2 for-in循环的使用技巧
2.7.3 生成器的原理和作用
2.8 巧用装饰器测试代码效率
2.9 多进程和多线程的提速方案
2.9.1 多进程和多线程
2.9.2 Python的GIL原理
2.9.3 多任务的解决方案
2.10 未雨绸缪的异常处理机制
2.10.1 分析try-except常规机制
2.10.2 扩展try-except使用技巧
2.11 本章总结
第3章 第三方库NumPy快速入门
3.1 初识N维数组对象
3.2 N维数组对象的特性
3.2.1 矢量运算的特性
3.2.2 广播运算的特性
3.2.3 用条件表达式选取元素
3.3 高效处理性能的对比
3.4 用常用数组处理函数
3.4.1 创建数组的函数
3.4.2 元素级处理函数
3.4.3 线性代数相关函数
3.5 本章总结
第4章 第三方库Pandas快速入门
4.1 Series和DataFrame概览
4.2 Series的生成和访问
4.2.1 Series的生成方法
4.2.2 Series的访问方法
4.3 DataFrame的生成和访问
4.3.1 DataFrame的生成方法
4.3.2 DataFrame的索引访问
4.3.3 DataFrame的元素访问
4.3.4 元素标签和位置的转换
4.3.5 用条件表达式访问元素
4.4 时间序列的生成和转换
4.4.1 用datetime生成时间序列
4.4.2 用Pandas生成时间序列
4.4.3 时间序列的降采样
4.4.4 时间序列的升采样
4.5 DataFrame的规整化处理
4.5.1 模拟生成股票行情数据
4.5.2 DataFrame概览
4.5.3 DataFrame的可视化
4.5.4 DataFrame缺失值处理
4.5.5 DataFrame精度的转换
4.5.6 DataFrame合并处理
4.6 DataFrame的高效遍历
4.6.1 循环遍历的几种方式
4.6.2 循环遍历的性能对比
4.7 DataFrame的存储和加载
4.7.1 将DataFrame存储至CSV
4.7.2 将CSV加载为DataFrame
4.8 本章总结
第5章 第三方库Matplotlib快速入门
5.1 两种绘图方式的区分
5.1.1 函数式绘图
5.1.2 对象式绘图
5.2 常用图表类型的绘制
5.2.1 折线图的绘制
5.2.2 标注点的绘制
5.2.3 参考线/区域的绘制
5.2.4 双y轴图表的绘制
5.2.5 条形图的绘制
5.2.6 直方图的绘制
5.2.7 K线图的绘制
5.3 图形对象属性参数的调节
5.4 多子图对象的创建和布局
5.4.1 创建多子图对象的方法
5.4.2 布局多子图对象的方法
5.5 注意事项
5.5.1 tight_layout()出错问题
5.5.2 中文显示乱码问题
5.6 本章总结
第6章 统计概率理论快速入门
6.1 统计概率的基础知识
6.1.1 随机事件与概率的关系
6.1.2 离散和连续随机变量
6.1.3 典型的随机变量分布
6.2 深入理解伯努利分布
6.2.1 伯努利分布的随机数
6.2.2 伯努利分布的概率
6.2.3 伯努利分布的市场模型
6.3 深入理解正态分布
6.3.1 正态分布的随机数
6.3.2 生成概率密度函数
6.3.3 正态分布与随机漫步
6.4 本章总结
第7章 股票行情数据的获取和管理
7.1 如何获取股票行情数据
7.1.1 用Panads获取股票数据
7.1.2 用Tushar

本书以厘清量化交易的概念并介绍Python语言作为全书的逻辑起点，然后推进至Python的常用第三方库，接着又讨论了量化交易中推荐的统计概率理论与股票数据的获取方法，很终落脚在主流的股票技术指标分析以及构建股票量化交易策略的实战。全书逻辑严密、层次清晰、深入浅出，很好适合想了解股票量化交易并且尝试用Python去实现这些策略的广大读者阅读。
——斯文
博士、CFA、CPA、FRM
《基于Python的金融分析与风险管理》和《Python金融实战案例精粹》作者

量化交易和Python编程都是时下流行的技术，本书将NumPy、Pandas和Matplotlib应用到股票市场的交易策略上，读者可以“从0到1”用Python构建出量化交易系统。量化交易策略被投资大众成为“黑箱”，作者以其深厚的编程功底和生动的文笔带领读者探秘整个“黑箱”。
——王圣元
Octagon Advisors量化总监
《快乐机器学习》作者
公众号“王的机器”主理人