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